本研究提出了一种新的模型组装学习（MAL）方法，旨在解决模型合并中的异构架构和层宽不匹配问题。MAL通过迭代整合不同模型的参数，增强基础模型的能力，并提供实际指导和原则。

该文汇总了模拟存内计算（AiMC）芯片的多项研究，包括：AiDAC架构提升多位计算效率与精度；AIHWKit工具支持DNN推理与训练；AnalogNAS框架优化TinyML部署；TPU-IMAC异构架构提升移动CNN性能并节省内存；以及PMOS 8T SRAM、赛道存储器、NeuroCluster等方案，还有PCM训练ResNet达93.7%精度、微控制器混合精度部署等方法。