本研究提出了KALAM工具包，旨在自动化大规模设计模拟计算系统。KALAM通过因子图转换为SPICE兼容电路网表，支持贝叶斯推断等任务，展示了在大型系统设计中的应用潜力。

本研究提出了混合模型ff-EBMs，解决了数字电子领域的能效停滞问题。实验证明该方法在ImageNet32上达到了新的SOTA水平。此外，还介绍了其他关于模拟计算、神经网络设计和深度学习的研究。

本文介绍了一种整合模拟计算和深度学习的方法，用于心电图（ECG）心律失常分类。该方法利用硬件高效且完全模拟的心律失常分类架构，实现了低功耗下的高准确性。实验评估表明，该方法在患者内心律失常分类和心肌梗死（MI）分类方面具有很高的准确性。这种创新的方法为开发低功耗心律失常分类系统提供了一个有前景的途径。

本文研究了电流计算在能效方面的表现，发现存在多种实现上的缺陷和顺序效应的高影响。通过创建一个捕捉顺序效应的实际模拟处理器模型，进行了简单测试。