سامسونگ اعلام کرده که به‌عنوان نخستین شرکت در جهان از فناوری MRAM (حافظه با دسترسی تصادفی مقاومتی مغناطیسی) برای محاسبات درون حافظه رونمایی کرده است. بر اساس اعلام وبسایت SamMobile، مقاله سامسونگ تحت‌عنوان “آرایه متقاطع از دستگاه‌های حافظه مغناطیسی مقاومتی برای محاسبات درون حافظه” توسط نشریه Nature منتشر شد.
داده‌ها معمولا به منظور دسترسی سریع CPU در حافظه DRAM ذخیره می‌شوند. با این‌حال MRAM همه چیز را دستخوش تغییر نموده و مقوله‌های ذخیره‌سازی داده و محاسبات را با یکدیگر ترکیب میکند. بدین‌ترتیب هر 2 فرآیند روی یک تراشه یکسان انجام می‌شود.
عملیات در این‌حالت به لحاظ تئوری بسیار سریع‌تر است؛ زیرا انتقال داده از حافظه به پردازنده و بالعکس دیگر هیچ ضرورتی نخواهد داشت. بعلاوه این پدیده موجب صرفه‌جویی قابل‌توجهی در میزان مصرف انرژی خواهد بود؛ زیرا پردازش داده‌ها به‌صورت موازی درون حافظه انجام می‌شود.
این دستاورد از یک پیشرفت بزرگ حکایت دارد. اگرچه سایر ایده‌های محاسبات در حافظه نظیر PRAM و RRAM به معرض نمایش گذاشته شده است؛ دستیابی به MRAM عمدتا به‌دلیل مقاومت کم آن امر بسیار دشواری به‌نظر می‌رسد. همچنین استفاده از مزیت بهره‌وری انرژی MRAM در معماری محاسباتی درون حافظه‌ای استاندارد غیرممکن بود.
سامسونگ به لطف تراشه آرایه MRAM توسعه‌یافته توسط خود دستیابی به فناوری MRAM را امکان‌پذیر نموده است. این آرایه در عوض استفاده از استاندارد جریان -جمع (Current-Sum) از استاندارد مجموع مقاومت (Resistance Sum) استفاده میکند؛ ایده‌ای که با مشکل مقاومت مقابله خواهد کرد.
این ایده با اجرای برنامه‌های هوش مصنوعی آزمایش شد و دقت آن در زمینه طبقه‌بندی ارقام دست‌نویس برابر با 98 درصد و در زمینه تشخیص چهره‌های موجود در تصاویر معادل 93 درصد بود. سامسونگ ادعا میکند که فناوری MRAM می‌تواند برای پردازش هوش مصنوعی و ساخت تراشه‌های هوش مصنوعی با بهره‌وری بسیار بالا مورد استفاده قرار گیرد.
دکتر سئونگ‌چول یونگ؛ نخستین نویسنده مقاله گفت: “محاسبات درون حافظه شباهت‌هایی با مغز دارد. این موضوع بدان معناست که محاسبات در شبکه‌ای از خاطرات بیولوژیکی یا سیناپس‌ها (محل اتصال نورون‌ها به یکدیگر) نیز اجرا می‌شوند. اگرچه محاسبات انجام شده توسط شبکه MRAM ما هدفی متفاوت با محاسبات اجرایی توسط مغز را دنبال میکند؛ اما این شبکه حافظه‌ای حالت جامد احتمالا در آینده به‌عنوان پلتفرمی برای تقلید از مغز و مدل‌سازی اتصال سیناپس‌ها مورد استفاده قرار خواهد گرفت.
