在边缘计算中，许多节点都采用电池供电或能量回收系统，因此电路功耗一直是设计的一大难题。在CMOS电路中，一方面使用了特殊设计的CMOS电路。一种超低功耗的常开语音检测芯片在文献[83]中得到实现。采用基于时序混频器的电路形式，使放大器、ADC和数字处理部分的功耗降低了4倍，而神经网络(neuralnetwork,NN)处理模块在数字域中功率降低12倍，语音检测精度达91.5%。一种面向边缘计算、基于时间域运算的高效神经网络加速器利用双向存储延迟线进行时域相乘累加，克服了以往模拟乘累加算法在扩展性有限、易出现失配等缺点，实现了13.46TOPS/W的超高效。
除边缘计算数据处理模块外，部分工作还着重于接口设计。适用于可穿戴的入耳耳机设计了一种体内传输人体通信收发装置，该装置在5Mb/s的数据速率下的能量消耗小于40μW，达到了现有技术下体域网收发器的最高能效。
相反，新兴的金属氧化物电阻随机存取存储器(resistiverandom-accessmemory,ReRAM)和一个铁栅场效应晶体管(ferroelectricfield-effecttran-sistor,FeFET)为代表的新型器件，已经展现了它用于主存储器的潜力。ReRAM是一种在存内计算(processinginmemory,PIM)中比较有前途的解决方案，利用它的交叉阵列结构，ReRAM能够有效地实现矩阵向量乘法，并被广泛用于加速机器学习的计算。
近几年来，人们对ReRAM在边缘计算高能效感知系统中的实现给予了许多关注，PRIME用于神经网络计算，与之前的NN加速器相比，具有显著的性能改进和节能效果，将性能提高约2360倍，能效提高约895倍[86]。边缘计算用FeFET实现了三种不同的电路设计方式：互补(差分)、动态电流模式和动态逻辑。在同一种特征尺寸下，FeFET与现有方法(如基于磁隧道结、CMOS等)相比，所采用的FeFET设计在各主要指标上都有了较大的改进。
