EE电子工程：探索智能科技的“心脏” 人工智能芯片设计研究
开始日期: 2026-01-31
课时安排: 4周在线小组科研+2周论文指导
Prerequisites适合人群
适合年级 (Grade): 高中生/大学生
适合专业 (Major): 对电子工程、集成电路、人工智能、计算机科学等专业感兴趣的学生，需要具备Python基础（先导课）
Instructor Introduction导师介绍
L老师
中国科学院副研究员
中国科学院
路老师 副研究员
电子科技大学 客座研究生导师
中国科学院青年创新促进会成员中科院计算所新百星
研究方向：可定制计算，涉及一系列面向新型计算平台的软硬件协同设计关键技术领域，包括全同态处理器HPU、RISC-V、新型AI软硬件架构等多个方面。
带领团队探索了同态加密的软硬件协同加速方法、通信和计算优化的隐私求交、面向RISC-V的可信执行环境等。相关研究成果发表在MICRO、HPCA、DAC、ICCAD、TCAD、TVLSI、ICPP、ICCD、ASPDAC等领域内国际权威期刊和会议，并获最佳论文奖提名1次。拥有10项“国际发明专利”，授权国家包括中国、美国、欧盟、日本、韩国。近十年来负责或参与多项国家自然科学基金项目以及华为、oppo等企事业单位合作研究项目。此外，还出版1部专著和1部译著，担任领域内权威学术期刊JCST的青年副编辑以及国际顶级会议的审稿人和session主席。在学期间他曾获得国家奖学金提名，中国科学院“朱李月华”优秀博士生奖，中科院计算所“所长特别奖”等荣誉。
Program Background项目背景
人工智能芯片也被称为AI加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块。人工智能芯片可通过模仿人脑神经网络结构，用一条指令即可完成一组神经元的处理。这一计算模式在做识别图像等智能处理时，效率比传统芯片高几百倍。目前人工智能芯片已经广泛应用于图像识别、语音识别、智能安防、智能驾驶、消费类电子等领域。
Program Description项目介绍
本项目将系统讲述人工智能系统的软硬件协同设计，介绍人工智能芯片的背景知识、深度学习训练框架pytorch和编程语言python、深度学习中卷积神经网络模型设计、优化和部署、基于FPGA的高级综合（HLS）设计方法等相关内容。通过项目训练，学生会全面接触人工智能的软硬件技术，在本研究方向快速入门并成长为具有一定基本功、可以熟练使用所学技术设计实现人工智能软硬件系统。作为特色之一，本项目给学生配备了强大的GPU服务器用于模型设计和训练。学生可以在每次训练后随时远程连接服务器完成实验作业，不受时间限制，让学生在学习理论的同时也能亲自动手实践，产生实物成果并检验学习效果，体验所学内容的实际应用，提升coding水平。
Syllabus项目大纲
人工智能软硬件协同设计算法、AI芯片、深度学习技术背景、图像识别、目标检测、图像分割、超分辨率重建、GAN等、AI算法开发三要素和两步骤；
深度学习训练框架和编程语言：初步探索神经网络模型、认识梯度下降和反向传播、链式求导法和参数更新、深度学习Pytorch框架以及python语言、认识数据集、代码讲解和实践；
深度学习中的重要模型：卷积神经网络、积层（convolution）、全连接层（fully connected）、池化层（pooling）、Softmax function、损失函数（loss function）、卷积神经网络的应用展示、使用pytorch设计卷积神经网络并训练；
深度学习模型优化和部署：剪枝、量化方法以及在嵌入式系统中的部署、精度和时间的权衡问题、浮点数的表示和量化的概念、8bit量化推理方法、TensorRT工具、结构化、非结构化剪枝方法、目标检测算法（Yolo系列）、剪枝步骤详解和代码实践、剪枝模型在嵌入式系统中的部署实践；
基于FPGA和GPU的异构AI系统设计演示：Xilinx FPGA硬件平台介绍、AI芯片的体系结构设计新方法：体系结构设计的关键问题、CPU、GPU架构以及云端、嵌入式端AI芯片、新型计算方法——存算一体、新型存储器技术、新工艺、新器件
学生项目汇报与答辩、导师点评与指导
Program Outcome项目收获
4周【在线小组科研+全球就业力大师课】+2周论文指导，共126课时
1500字左右的项目报告
优秀学员获得主导师推荐信（8封网推）
项目结业证书
EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导或者CNKI检索的英文普刊全文投递与发表指导
上一篇：人机交互 游戏设计专题：基于虚拟现实VR技术的游戏设计与情景搭建
下一篇：返回列表
直接添加小助手阿星
微信号：nan2xing 
伦敦帝国理工学院
新加坡国立大学