研究计划

研究计划2 - 高能效与高效能的端侧人工智能的软硬件协同设计

推动算法-硬体协同设计领域的发展，解决具身智能应用在复杂度、可扩展性、能耗效率及延迟等日益增长的新挑战。

研究项目2-1:
面向能耗最小化及个人化的健康AI助手的软硬件协同优化

Hardware/software co-optimization toward energy-minimal personalized health-AI companions

研究项目2-1旨在开发用于慢性病健康监测的超低功耗AI助手。其核心是通过协同优化特征提取和机器学习算法，以满足边缘设备严格的能耗和性能要求。项目还将开发创新的存内计算和近存计算策略，旨在最大限度地降低能耗，同时确保对生物信号进行高质量的实时处理。

Energy-efficient heterogeneous edge-cloud collaborating learning paradigm for large-scale AI models with privacy preservation.

研究项目2-2致力于解决在资源受限的边缘设备上部署大规模AI模型的同时不牺牲性能和隐私的挑战。其核心是通过利用异构框架进行硬件和神经网络架构的协同探索，以实现大规模AI模型的高效、动态部署。此外，项目还将开发一种能量感知的云边协同学习范式，用以优化尤其在联邦学习范式中的能耗和学习效率。

A hardware-aware software optimization of 3D neural rendering algorithms for real-time acceleration in edge devices

研究项目2-3旨在针对移动端渲染和同步定位与建图（SLAM）任务，对最新的神经辐射场（NeRF）算法进行优化。为应对其固有的高计算量和功耗问题，项目提出了一种硬件感知的软硬件协同设计方法，通过优化数据表示、分层体积采样以及可复用像素判定等技术，在渲染过程中实现了改善延迟和显著提升能耗效率。

Energy-efficient inference and fine-tuning of diffusion transformers using dynamic mixed-precision arithmetic for generative AI.

研究项目2-4旨在应对基于Transformer的大规模AI模型所带来的挑战，其核心是开发一种支持整数和浮点运算的混合数据类型加速器，以促进在边缘设备上实现高效的模型推理和微调。通过硬件与软件的协同设计，并特别面向风格迁移应用进行优化，该项目将充分展示该方法在实际应用中的显著效益。