اما معماری فوق به حالتی که در بالا به آن اشاره کردیم محدود نمیشود. معماری درون حافظهای مفهومی روبهروشد بوده و آماده است تا جایگزین معماری قدیمی رایانهها موسوم به فون نویمان شود. معماری که در آن رایانش و حافظه به عنوان دو دستگاه مجزا از هم در نظر گرفته میشود. در کامپیوترهای سنتی، فرآیند رفت و برگشت دادهها میان حافظه اصلی و پردازنده مرکزی باعث کم شدن سرعت پردازش شده و در عین حال انرژی بیشتری را مصرف میکند. اما غول فناوری آیبیام اعلام کرده است که موفق شده الگوریتم یادگیری ماشینی بدون نظارتی را ایجاد کند که قادر است روی یک میلیون دستگاه حافظه تغییر فاز (PCM) سرنام change memory devices Phase اجرا شود. PCM گونهای از حافظه اصلی کامپیوترها است که دادهها را از طریق تغییر وضعیت ماده، ذخیرهسازی میکند.
اگر بخواهیم معماری ابداع شده از سوی آیبیام را با معماری رایج کامپیوترها مورد مقایسه قرار دهیم باید بگوییم الگوریتم یادگیری ماشین جدید آیبیام در ارتباط با دو فاکتور سرعت و بهرهوری انرژی در مقایسه با کامپیوترهای کلاسیک 200 برابر سریعتر خواهد بود. در نتیجه معماری فوق برای ساخت سامانههای رایانشی فوق متراکم و کم مصرفی که در حوزه هوش مصنوعی به کار گرفته میشوند کاملا ایدهآل خواهد بود. سامانههایی که محاسبات در آنها به شکل موازی انجام میشوند. حافظههای تغییر فاز (PCM) گونهای از حافظههای اصلی هستند که در ساخت آنها از آلیاژ ژرمانیوم آنتیموان تلورید که میان دو الکترود قرار گرفته استفاده شده است. هنگامی که یک جریان الکتریکی کم به این ماده فرستاده میشود، گرمایی به وجود آمده و حالت آن از آمورف به بلور تغییر وضعیت میدهد و به این شکل اطلاعات را ذخیرهسازی میکند. دکتر ابو سباستین، پژوهشگر آیبیام در این ارتباط گفته است: «در رایانش درون حافظهای که ایده آن الهام گرفته از نحوه انجام محاسبات در مغز انسان است، نه تنها نتیجه محاسبات در حافظهها ذخیرهسازی میشود، بلکه خود رایانش نیز در حافظه اصلی PCM انجام میشود. این معماری با کش کردن مداوم حجم بسیار زیادی از دادهها، سرعت پاسخگویی سامانهها را به شکل کاملا تاثیرگذاری افزایش میدهد. همین موضوع معماری فوق به یکی از بهترین معماریها در زمینه بزرگ دادهها و هوش مصنوعی تبدیل کرده است.» جزییات مربوط به رایانش درون حافظهای ابداع شده از سوی آیبیام در مقالهای در مجله Nature Communications به چاپ رسیده است. برای اطلاعات بیشتر به آدرس Temporal correlation detection using computational phase-change memory مراجعه کنید.