文章讨论了对StarBlog搜索功能的改进，采用内存计算权重和正则表达式实现高亮，提升了搜索效果。当前方案虽简陋，但为快速实现而选用，未来计划开发新版以增强功能。

本研究提出了一种基于简化门控递归单元（GRU）的硬件架构，旨在解决内存受限的嵌入式边缘计算中的时间序列数据处理问题。通过开关电容电路实现内存计算和门控状态更新，显著提升了性能，并验证了与软件模型的兼容性。

本研究提出了MEMHD框架，旨在提高超高维计算在内存计算架构中的内存利用效率。通过聚类初始化和量化意识的迭代学习，显著降低了内存需求，并提高了分类精度。实验结果表明，MEMHD在相同内存下精度提高了13.69%，或在相同精度下内存效率提升了13.25倍，计算周期减少了80倍。

本研究提出了一种适用于混合信号模拟内存计算架构的核近似方法，旨在解决机器学习中核函数的高内存和计算开销问题，从而显著提升能效和准确性。

本文介绍了一种在内存计算硬件上训练卷积神经网络的方法，提出了基于批标准化的补偿技术，分类精度达到93.7%。研究了非理想误差的优化，提升了深度神经网络的性能，并探讨了基于随机计算的神经网络架构，展示了在硬件限制下的高效性和节能效果。

该研究通过新型电阻性存储器和模拟神经微分方程求解器，提升了生成AI的速度和能效，推动了边缘计算应用。采用内存计算优化神经网络，提高了分类性能，并在多个数据集上实现了高精度重构，展示了良好的可扩展性和节能效果。

介绍了天网风控灵玑系统在使用JDK17+ZGC垃圾回收器后出现的内存疯涨和无法释放的问题，排查发现是因为消费者EventLoop处理消费时申请直接内存达到最大内存导致的消费阻塞，通过增加与备份数据节点的channel信道连接，采用connectionPool解决了该问题。

Spark Core是Apache Spark的核心组件之一，提供了易于编程、高速计算、迭代计算等特点的分布式计算能力，可直接从多种数据源中读取数据。其基本数据结构为RDD，可进行大规模数据并行处理，具有容错性和基于主存进行缓存的特点。Spark Core采用内存计算模式，减少了I/O瓶颈，提高了计算速度。