DeepIoT 是一种压缩神经网络的解决方案，它通过找到每个层所需的最小数量的非冗余隐藏元素，将神经网络结构压缩成更小的密集矩阵，同时保持感知应用程序的性能。在 Intel Edison 设备上的五个不同的感知相关任务中进行实验，DeepIoT 在执行时间和能源消耗方面优于所有比较的基线算法，而不会损失准确性。

Jun, 2017

通过无负担编码和神经网络数据和参数的统计分析，本研究提出了一种用于边缘人工智能推理引擎的低功耗技术，可以将互连和内存功耗降低高达 80％，同时对计算块的功率进行附加节能，最高可达 39％，而且不会降低准确性且硬件成本微不足道。

Nov, 2023

本文介绍了一种名为 Eyeriss v2 的 DNN 加速器结构，旨在为运行紧凑和稀疏的 DNN 提供专门的硬件支持，通过高度灵活的片上网络和直接在压缩域中处理稀疏数据的设计，显著提高计算性能和能源效率，同时提供了一种名为 Eyexam 的分析方法，可以作为一种系统的方式来理解 DNN 处理器的性能极限。

Jul, 2018

本文提出了 PermDNN，一种新的方法来生成和执行硬件友好的结构稀疏 DNN 模型，使用置换对角线矩阵。与当前方法相比，PermDNN 具有更好的压缩效果、灵活的压缩比、简单的算术计算和全利用输入稀疏性的优势，并取得了更高的吞吐量和更好的能量效率。

Apr, 2020

SmartExchange 是一种算法 - 硬件协同设计框架，将高成本的存储 / 访问内存与低成本的计算交换，用于深度神经网络的能量高效推理。该算法通过强制一种特殊的 DNN 权重结构，成功将稀疏化、分解和量化三种主流模型压缩思想集成进一个统一框架中，最终得到的稀疏、易于量化的 DNN 具有极低的能耗和存储空间需求。此外，该研究还设计了一个专用加速器，可充分利用 SmartExchange 所强制的权重，改进深度神经网络的能效和延迟表现。

May, 2020

AdaDeep 是一种自适应深度神经网络压缩框架，可在考虑性能和资源约束方面自动选择最合适的压缩技术和相应的压缩超参数，可以在减少 DNN 的延迟、提高能效和减少存储的同时保持准确率基本不变。

Jun, 2020

该论文提出 CirCNN，一种使用块循环矩阵表示权重和处理神经网络的基于 FFT 快速乘法的方法，能够从 O（n2）减少计算复杂度并降低存储复杂度，同时保持准确性，并在 FPGA、ASIC 和嵌入式处理器上实现出较高的能效和性能表现。

Aug, 2017

本研究提出了一种通用和统一的框架，通过多级现场生成机制和混合精度基准，实现了高分辨率参数的即时恢复，从而以最小的硬件开销直接将昂贵的内存交易转换为超快的芯片内计算，提高了内存效率 10-20 倍。

Aug, 2021

本文旨在实现深度神经网络硬件实现的超高能效和性能，提出一种面向不同类型、大小和应用场景的 DNN 算法 - 硬件协同优化框架，并在硬件部分采用高效的 FPGA 实现，实验表明与 IBM TrueNorth 处理器和参考的 FPGA 实现相比，该框架至少实现了 152 倍的加速和 71 倍的能效增益。

Feb, 2018

本文提出了 ECC 框架，它使用双线性回归函数模拟 DNN 的能耗，将 DNN 压缩到给定的能量限制下，并通过结合 ADMM 框架和梯度下降算法的方法优化约束优化问题，从而实现在相同或更低的能量预算下实现更高的精度。

Dec, 2018