基于边缘计算电路，研究者还对持续感知系统的结构进行了许多优化。对于当前广泛使用的神经网络计算，提出了一种称为行静态的新型数据流。数据流可适用于各种卷积神经网络(convolutionalneuralnetwork,CNN)结构，它可以进行重新配置，以适应给定形状的计算映射，通过最大限度的数据重用提高能源效率，从而减少边缘计算的数据迁移。
在全定制体系结构下，边缘计算的可重构计算因其兼顾高效和灵活等优点而受到众多研究者的青睐。一种高效可重构的混合神经网络处理器的每一个处理单元(processingelement,PE)支持位宽自适应可重构，以满足神经层的各种位宽自适应重构，以满足神经层的各种位宽，同时还提高了计算吞吐量和平均能源效率。除了自定义和可重构体系结构外，边缘计算以其高度的灵活性和良好的能源效率表现而被广泛使用。CNN在存储、计算和系统灵活性方面的需求，提出了可编程、灵活的CNN加速器体系结构，以及数据量化的方法和编译工具。在精度损失可以忽略不计的情况下，数据量化方法有利于将数据的位宽减小到8位。对同一水平台的其他系统进行评估，其效率是其他同类工作的6倍，功效是其5倍。
此外，针对特殊应用的特殊结构设计，在航天、核能等领域发挥了重要作用。边缘计算为降低成本效益测试装置和小型化复杂设备总辐射剂量测试程序，采用电子源进行片上辐照，芯片照射，多种感应机制与相关性分析相结合，以便利效应建模和自定义环形振荡器网络的调整，供未来航天器自主使用。
