电子邮件: yihuang@utk.edu
地址: Min H. Kao Building, 1520 Middle Drive, Knoxville, TN 37996
研究愿景
挑战：人工智能与人类智能之间的鸿沟
人工智能（AI）已成为我们日常生活的一部分，为语音助手、医疗诊断等应用提供动力。但这种进步伴随着难以持续的海量数据与能源消耗。AI 与人类智能之间仍存在巨大鸿沟，尤其体现在能效上：支撑 AI 的数据中心耗电量堪比小型城市，而人脑只需一餐的能量即可工作；也体现在认知能力上：AI 需要海量数据才能学习的任务，人类却能在有限经验下掌握。
目标：人类水平的能效与认知能力
我们的研究愿景是通过软硬件协同设计范式缩小这一差距，该范式跨越电气工程与计算机科学（EECS）的多个层级，并汲取认知神经科学的灵感。最终目标是实现接近人脑的能效与认知能力，从而在日常生活中的广泛应用场景中赋能下一代 AI 系统。
方法：跨层协同设计框架
我们通过受人脑启发、并构建在新型存储器件基础上的模拟存内计算（AIMC）系统来实现这一愿景。该方法模拟了生物神经系统的工作机理：数据在存储位置直接处理，计算也直接在模拟信号上进行。
基于我们已有的工作（见上图），该方法以跨层协同设计框架为核心，覆盖器件、电路、架构、算法与应用等层级：
我们建模各类新型存储器器件，包括非易失与易失忆阻器，为 AIMC 硬件奠定物理基础，并利用其丰富的模拟动态特性。
我们设计模拟与混合信号电路，利用器件级动态特性来模拟生物突触与神经元的随机性与时序行为。
我们开发层次化、分布式架构，实现模拟与数字域之间的高效片上通信，从而支持多层信息处理与高度并行计算。
我们协同设计神经网络结构与片上学习算法，以适配脑启发硬件架构，融入脉冲、事件驱动与模拟特性，实现实时片上学习。
我们将这些高能效、低时延系统集成到传感器、可穿戴与移动设备中，满足不同边缘应用对即时智能决策与低功耗的需求。
我们通过连接 AIMC 硬件、脑启发架构与算法，构建高能效智能 AI 系统，并利用软硬件协同设计支撑下一代 AI。
