基于前一部分作者对片上网络领域四个问题的解决方案，我们可以给出目前研究的结果和局限性。
拓扑结构: NoC 拓扑从2D 网格发展到更复杂的3D 网格、圆环和超立方体反映了优化性能、功耗和面积的需要[1]。 虽然2D 网格提供了可伸缩性，但它们在非本地化通信方面的性能较差。 3D 网格和 Tori 缓解了这个问题，但引入了复杂性和增加布线密度。 超立方体提供了很高的容错性，但是随着维度的增加，路由复杂性也随之增加。 像蜻蜓这样不规则和自适应的拓扑提供了灵活性，但是需要复杂的设计方法[2]。
沟通机制: 仲裁策略和路由算法是管理网络中数据包传输的关键。 固定优先级和循环策略很简单，但可能导致效率低下，如饥饿或高负载下延迟增加。 最近使用的自适应路由策略提供了改进，但代价是更高的复杂性和资源需求[3]。
这些策略必须平衡公平性、吞吐量和延迟，但是它们的有效性随网络条件和应用程序需求而变化。
机器学习应用: 机器学习已经被应用到 NoCs 中，用于优化路由和拓扑自适应。 蚁群优化(ACO)已被用于寻址热感知路由，在不增加网络规模的情况下降低光功耗[4]。 强化学习已经应用到 Adapt-NoC 架构中，该架构可以根据应用需求动态重新配置拓扑，提高性能和能源效率。 然而，这些方法必须应对通信开销、能源消耗、延迟和 NoCs 固有的资源约束[6]。
优化能源效率: 通过路由优化、 DVFS、拓扑结构设计和电源门控等方法来解决 NoCs 的能量效率问题。
自适应路由和 DVFS 可以通过响应流量模式和工作负载变化来显著降低能耗。 拓扑优化的目标是最小化导线长度和开关活动，但必须考虑性能和功耗之间的权衡。 电源门和时钟门技术是有效的，但需要谨慎的管理，以防止通信延迟。 机器学习技术提供了进一步优化的潜力，但必须适应 NoCs 的具体约束[2]。
尽管 NoC 研究取得了进展，但仍存在一些局限性。沟通机制努力在效率和复杂性之间达到完美的平衡。拓扑结构在性能提高和设计复杂性增加之间进行权衡。机器学习应用面临着适应 NoC 环境独特约束的挑战，能源效率优化必须在降低功耗和维护性能之间找到微妙的平衡。
未来的研究应该集中在开发更复杂的算法，可以动态调整到网络条件和应用需求，同时也考虑到热量和资源的限制。机器学习和自适应技术的结合有望在不牺牲性能的情况下实现更高的能源效率。
总之，NoCs 的研究在改进通信机制、拓扑结构、机器学习应用和能效优化方面取得了重大进展。然而，该领域仍然面临着挑战，需要创新的解决方案和对多核和多核处理器中性能、功耗和设计约束之间复杂的相互作用的深入理解。