Investigadores han desarrollado un paradigma de compresión analógica en memoria y almacenamiento no volátil denominado "Sense-Now Reconstruct-Later" (SNRL). Este enfoque está diseñado para la detección continua ("always-on sensing") en dispositivos de bajo consumo, abordando el cuello de botella energético y de ancho de banda que surge al transferir grandes volúmenes de datos desde los sensores a las unidades de procesamiento digital. La clave del SNRL reside en realizar la compresión directamente en el dominio analógico, dentro de la memoria, antes de la conversión analógica-digital (CAD), lo que reduce significativamente la cantidad de datos a procesar y almacenar.

El método SNRL utiliza una arquitectura de memoria que integra funciones de detección, compresión y almacenamiento. Esto permite que los datos del sensor se compriman en tiempo real y se almacenen de forma no volátil, optimizando el consumo de energía y la eficiencia del sistema. A diferencia de los enfoques tradicionales que digitalizan los datos y luego los comprimen, el SNRL opera en el dominio analógico, lo que resulta en una menor latencia y un consumo energético drásticamente reducido, aspectos cruciales para aplicaciones de Internet de las Cosas (IoT) y dispositivos portátiles.

La implementación de SNRL se basa en el uso de memristores u otros dispositivos de memoria no volátil que pueden realizar operaciones de procesamiento en el lugar (in-memory computing). Esta capacidad de computación analógica permite que los algoritmos de compresión se ejecuten de manera eficiente sin necesidad de trasladar los datos a una unidad de procesamiento central. Los resultados demuestran una mejora sustancial en la eficiencia energética y la capacidad de procesamiento de datos, abriendo nuevas posibilidades para el desarrollo de sensores inteligentes y autónomos con una vida útil de batería prolongada.