研究计划2 - 架构和异构系统集成
研究计划2专注于探索从云端到智能物联网平台上的高效类脑计算（Neuromorphic）的新架构以及系统集成解决方案。
研究项目2-1:
CPU-加速器异构体系的通讯接口及操作系统支持
图 研究项目2-1: CPU与加速器之间不同的通讯接口设计
研究项目2-1专注于优化CPU和专用加速器之间的基于存储的通讯接口。同时，考虑云端训练中多处理器多主机系统所需的通讯接口和操作系统/计算架构的高可扩展性和高效率支持。项目提出了针对存储子系统的专门优化方法，以解决近内存计算（near-memory computing）和存内计算（in-memory computing）中通讯问题的挑战。项目进一步研究创新的计算架构和操作系统支持，以便高效地实现多用户环境下的以内存为中心的计算。
研究项目2-2:
面向深度神经网络特性的计算机体系优化
图 研究项目2-2: 张量处理及深度量化的视频识别网络
研究项目2-2包括研究神经网络建模和设计算法领域具有前景的新方法，实现复杂性-准确性的优化权衡和存储空间需求缩减的压缩神经网络。同时，我们还将研究深度神经网络的基本结构模块，并通过学习如何学习（learning how to learn）来搜索全局最优的深度神经网络结构。项目也将研发相应结构优化方法，探索和实现优化的张量阶数、量化深度和最优的基本结构模块。
研究项目2-3:
用于传感器边缘设备的节能 AI 加速器
图 研究项目2-3: 搭配传感器阵列的混合模拟/数字存内计算架构
研究项目2-3为推理引擎设计搭配传感器阵列的混合模拟/数字存内计算（in-memory computing）架构，包括将数据处理功能嵌入到传感器中，以减少传感器和计算引擎之间的数据传输，以及存内计算架构以减少高代价的内存访问。本项目将为不同类型的传感器读取接口以及低分辨率网络开发相应的模拟计算架构，以减少使用昂贵的高分辨率模拟/数字转换器和降低数字层中的计算复杂度。
研究项目2-4:
面向大型神经网络的CMOS-ReRAM存内计算加速器架构优化
图 研究项目RP2-4: 基于CMOS-ReRAM的存内计算加速器架构
研究项目2-4 专注于开发基于新兴的非易失性存储（non-volatile memory）技术的 AI 加速器架构。通过使用基于 ReRAM 的交叉开关矩阵作为存内计算引擎，提出和实现可扩展和节能的架构，以实现大规模的可量化训练的网络。本项目将提出最高有效位优先（Most-significant-bits-first, MSBF）的计算模型和内存压缩算法，以减少权重存储量和增加计算稀疏度。项目的目标是将能量效率进一步提高一个数量级。