我校英才实验学院李思旭在顶级期刊发表电路与系统领域论文
最近，在信息与传播工程学院的Zhou Jun教授的指导下，我们学校的2017年本科生Li Sixu在 and 的顶级期刊上发表了一篇题为“快速的和-SNN，带有时钟/事件”，在信息和通信工具学院的指导下。 Li Sixu是该论文的第一作者，周Ju教授是相应的作者，电子科学技术大学是唯一的作者单位。近年来，神经网络已开始广泛用于各种智能识别任务，例如图像识别，声音识别，生理信号识别等。但是，传统的人工神经网络具有很高的计算复杂性，导致了巨大的功耗，并且不适合等设备，例如物联网的互联网，边缘计算和可耐磨性。为了解决上述问题，人们提出了具有低功耗特征的脉冲神经网络（也称为脑型计算）。与人工神经网络相比，脉冲神经网络更接近人脑的实际操作机理。神经元仅在激活时发出脉冲，并且仅在脉冲到达时执行计算，从而降低计算功耗并具有某些无监督的自学能力。但是，现有的脉冲神经网络处理器在计算机系统，数据处理机制和计算资源利用率方面有许多局限性，从而导致计算能源效率低。
图1。
https://img2.baidu.com/it/u=4034537101,2121396501&fm=253&fmt=JPEG&app=138&f=PNG?w=500&h=693
为了解决上述问题，诸如Li Sixu之类的研究人员提出了一个支持推理和在线学习的高效脉冲神经网络处理器，该处理器整合了多种技术创新，包括：自适应时间/事件混合计算机系统，动态的邻域计算资源调整资源调整技术，脉冲路由技术的计算技术，通过上面的计算技术，通过上述计算技术，通过上述计算技术，通过上述计算技术，该技术通过上述计算技术来效率，该技术通过上述计算技术来效率。在支持推理和在线学习的同时，得到了极大的改进。 FPGA芯片验证了这项工作，与现有的脉搏神经网络处理器相比，FPGA芯片的计算功耗速度快40％，计算功耗降低了39％。
图2。
除了这项工作外，李索努（Li Sixu）还参加了Zhou Jun教授团队的另一个人工智能筹码项目。他最近完成了28nm Die ，并且正在进行制造。 Zhou Jun教授的主要研究方向是高效的特殊智能加工芯片设计。 In this field, he hasover the of China's NSAF key ,major R&D, , etc., andmore than 70 high-level /(among which, hiswork in the field of chips wasby the ISSCC 2021 of the in the field of chip , and is the first ISSCC of theofScience andin the field人工智能筹码）。该领域的成就还赢得了IEEE 和Paper Award，Wu 人工智能技术发明奖，中国发明和创新奖和其他奖项，以及EE Times等国际媒体报告。该团队于2020年9月与领先的人工智能公司建立了“中国电子科学与技术大学 -嵌入式人工智能联合实验室”。这是在人工智能筹码领域的第一个大学联合实验室。 Li Sixu完成该项目后，他还被邀请演唱Tang进行实习。
纸链接：
页:
[1]