随着人工智能对算力及能源的巨大需求,以类脑算法(如脉冲神经网络)与模拟计算(新工艺存内计算)为代表的神经形态计算范式成为一大研究热点。上海期智研究院PI、上海交通大学副教授蒋力团队通过创新算法和硬件架
蒋力 成果收录于DAC 2024
量化作为DNN加速的常用手段,在实际使用过程中往往需要为异常值 (outliers) 付出较大的硬件和性能代价,本文提出一种算法/架构协同设计方案INSPIRE,通过引入索引对 (Index-Pair, INP) 量化有效解决上述问题,不仅低硬件开销低,软件使用友好,而且带来极高的性能增益。在自动驾驶、实时翻译、嵌入式系统等低功耗AI推理领域有较高技术价值。
蒋力 成果收录于DAC 2024
SNN适用于能源(续航)受限的边缘计算场景,但易受到能耗攻击——通过恶意操纵网络参数来增加SNN计算的能耗,从而使设备快速耗尽电量。本文设计了能量导向的SNN攻击框架 (Energy-Oriented SNN attack)—EOS,在保持模型准确度的同时,通过修改存储神经元信息DRAM cell来增加混淆能耗特征,从而抵御潜在的恶意攻击。
蒋力 成果收录于DATE 2024
提出了一种基于RRAM-TCAM的新型存内搜索加速器,专为运动规划中的碰撞检测任务设计,以实现亚100μs的碰撞响应速度。加速器进一步刷新了现有方案的计算速度,和能耗,为机器人运动规划、制造和物理模拟等多种碰撞检测应用场景带来新的解决方案。
上海期智研究院PI、清华大学助理教授张焕晨团队聚焦高效的数据压缩和索引技术研究,旨在消耗更少的内存和存储空间的同时,提高系统查询数据的性能,为AI和大数据应用提供坚实的数据存储底座。近期,团队首次在数
张焕晨 成果收录于ACM SIGMOD 2024
上海期智研究院PI、清华大学助理教授张焕晨团队团队首次在数据库中提出了Learned Compression (LeCo)数据压缩框架。
张焕晨 成果收录于ACM SIGMOD 2024
上海期智研究院PI、清华大学助理教授张焕晨团队提出了一种全局范围过滤器结构Global Range Filter (GRF)来减少查询过滤器的时间开销。在不产生额外内存开销的情况下将全局过滤器支持了范围查询,通过形状编码来保证查询结果在并发场景下的正确性。
张焕晨 成果收录于ACM SIGMOD 2024
上海期智研究院PI、清华大学助理教授张焕晨团队提出了一套通用的转换和优化准则 (SGACRU),并将其应用于现有的内存型学习型索引。这一通用转换方法能够有效将内存中的学习型索引转化为适用于磁盘场景的索引,同时获得比之前更快的查询速度和更少的内存占用。
上海期智研究院PI、清华大学助理教授房智轩团队近期在网络系统在线学习与最优决策方面,取得重要进展。团队基于带约束的在线学习方法,设计了一系列算法,使得缺乏先验知识的决策者可以在满足应用需求与资源约束的
房智轩 成果收录于ACM SIGMETRICS 2024
研究了具有收敛动力学的演化系统最优控制,使决策者在缺乏系统稳态反馈先验知识的情况下,能通过使用设计的“乐观-悲观收敛和置信界限算法 (OP-C2B)”,缩减学习与等待的时间,在带有期望约束的在线控制问题中同时实现亚线性的遗憾值和约束违背。该成果对设计和分析用于控制收敛动态系统的算法具有重要价值。
房智轩 成果收录于INFOCOM 2024
房智轩团队针对物联网环境中广泛存在的信息收集调度问题,提出了一种高效的在线调度策略,能够在未知信息价值和信道条件下实现高效的信息收集。在无线网络系统中,多个传感器或信息源持续收集信息并将数据传输给监视器。这一过程中,监视器面临两个主要挑战:一是不同信息源的数据对监视器的价值不同,但监视器对这些数据价值的先验统计知识是未知的;二是无线通信带宽有限且不稳定,信息源与监视器之间的无线信道可靠性(如丢包率)也是未知的。 为了解决监视器缺乏信息源数据价值的先验知识和无线信道不稳定
房智轩 成果收录于AAAI 2024、ICML 2024
研究了具有收敛动力学的演化系统最优控制,使决策者在缺乏系统稳态反馈先验知识的情况下,能通过使用设计的“乐观-悲观收敛和置信界限算法 (OP-C2B)”,缩减学习与等待的时间,在带有期望约束的在线控制问题中同时实现亚线性的遗憾值和约束违背。该成果对设计和分析用于控制收敛动态系统的算法具有重要价值。
弋力 成果收录于CVPR 2024
此外,弋力团队与香港科技大学谭平教授团队合作研究的关于通用NeRF编辑的成果也发表于CVPR 2024。
弋力 成果收录于CVPR 2024
弋力团队近期在手物交互的理解与生成方面取得了卓越的研究成果。团队紧密围绕手物交互的不同层面展开,从数据集构建到去噪方法,再到通用人机交接技能的学习,形成了一个完整的研究链条。不仅拓展了现有的研究范围,更为虚拟现实、机器人操作和人机协作等领域研究提供了新思路。相关3项成果收录在今年的计算机视觉领域的顶级学术会议之一Conference on Computer Vision and Pattern Recognition(CVPR 2024,录用率为23.6%)。