英特尔周一在15篇技术论文中拉开了帷幕，这些论文描述了其将芯片研究转变为将计算转换为对跨系统核心，边缘和端点运行的数据的关注。
英特尔将这种转变描述为从一种侧重于硬件和程序的转变到了一种侧重于数据和信息的转变。英特尔研究员，实验室实验室电路技术研究主管Vivek De表示，这种变化需要更高的能源效率和更强大的处理能力，以更靠近生成数据的设备（例如图像传感器）。
该研究有望提供更高效的计算技术，并有望用于各种应用，例如机器人技术，增强现实，机器视觉和视频分析。De说，在数据移动的此类端点和其他位置，通常需要限制带宽，内存和功耗。
某些研究最终可能会直接应用于新芯片的生产，但英特尔没有任何时间表。一位发言人说：“随着时间的推移，我们的研究会影响我们选择将什么功能纳入未来产品的能力。” 英特尔的博客中 涵盖了论文的演讲，并在2020年VLSI技术与电路研讨会上宣布。
在15篇技术论文之一中，英特尔的11名研究人员展示了基于FinFET（鳍式场效应晶体管）CMOS（互补金属氧化物）的10 nm设计的全数字二进制神经网络（BNN）加速器芯片的使用。 -半导体）。传统上，在某些功率受限的边缘设备中，BNN是模拟的而不是数字的，但是模拟BNN的预测精度较低，并且在处理器变化和噪声方面不如数字加速器那么宽容。
英特尔在这篇研究论文中表示，它能够以接近模拟内存的数字方式实现能源效率，并且为高级处理提供更好的规模。该公司表示，通过使用计算近内存（CNM），内部乘积计算和近阈值电压操作，其能源效率达到了每瓦617万亿次操作（TOPS）。
这组作者写道：“数字BNN设计在模拟内存技术的能源效率方面，还确保了确定性，可扩展性和精确的操作。” 作者说，CNM设计通过交错存储子阵列和乘累加单元来提高能源效率。
提出的其他论文包括：将人工智能，机器学习和深度学习应用程序的本地内存带宽加倍，以及减少基于深度学习的视频流分析所需的功能。
在这两篇论文的后一篇中，De为FierceElectronics描述了如何将事件驱动的视觉数据处理芯片与新算法一起使用，以仅基于运动来处理视觉输入。
例如，监控摄像头和底层技术可能专注于两个人在大型停车场中行走。该技术的目的是提供更好的图像准确性，同时减轻边缘视觉分析对计算和内存的高要求。