借用模拟技术的人工神经网络的实现可能会成为全数字方法的低功耗替代方案。一个值得注意的例子是基于非易失性存储器的交叉开关阵列的内存计算，它们以模拟方式执行人工神经网络中普遍存在的乘法累加运算。各种非易失性存储器，包括电阻性存储器，相变存储器和闪存。然而，尽管自旋转移转矩磁阻随机存取存储器（MRAM）具有耐久性和大规模商业化等实际优势，但开发它仍然具有挑战性。有鉴于此，韩国三星高级技术学院Sang Joon Kim，Donhee Ham和Yongmin Ju报告了一个基于MRAM单元的64×64交叉开关阵列，该阵列通过使用电阻求和进行模拟乘法累加运算的架构克服了低电阻问题。该阵列采用28 纳米互补金属氧化物半导体技术与读出电子设备集成。使用该阵列，实现了一个两层感知器以对10000个修改后的美国国家标准与技术研究院数字进行分类，准确度为93.23%（软件基线：95.24%）。在具有测量误差的更深的八层 Visual Geometry Group-8 神经网络的仿真中，分类准确率提高到98.86%（软件基线：99.28%）。此外，还使用该阵列在十层神经网络中实现单层，实现人脸检测，准确率达到 93.4%。相关研究成果以“A crossbar array of magnetoresistive memory devices for in-memory computing”为题在线发表在Nature。