基于迭代计算图优化的高效内存感知调度框架可显著降低网络推理的内存占用，具有更好的可扩展性和计划优化性能。

Aug, 2023

使用深度神经网络的合成图像数据集，本文提出了一种基于强化学习的调度框架 RESPECT，该框架学习最优化算法的行为并生成几乎最优的调度结果，同时解决了边缘计算系统中资源受限计算图的调度优化问题。

Apr, 2023

通过与非神经、启发式任务调度器的比较，本文通过广泛实验研究和深度强化学习探究了基于 DRL 的神经调度器在 SoC 资源分配领域的实现可能性，并提出了 Eclectic Interaction Matching 技术以改进现有的神经调度器

Jul, 2022

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

SpikeNAS 是一种新颖的内存感知神经架构搜索（NAS）框架，用于 SNN，能够在给定的内存预算下快速找到适当的 SNN 架构，提高准确性并满足内存受限的 SNN 系统的需求。

Feb, 2024

提出一种硬件感知量化神经架构搜索 (HQNAS) 框架，将神经结构搜索和量化方法结合，通过权值共享和比特共享以高效优雅的方式完成。在 CIFAR10 中只需要 4 小时 GPU 时间，能发现出卓越的 NN 策略。同时，我们的方法支持在线学习和持续适应环境。

Oct, 2022

本文提出了一种端到端的基于图神经网络的可扩展顺序关注机制，并使用超前网络在每个独立图上进行微调，达到了优于人类专家和先前技术的 16% 平均改善和 15 倍更快的收敛速度，从而实现了有关大型神经网络和设备放置的计算成本和效率的突破。

Sep, 2019

本文提出了一种名为 EnforceSNN 的新型设计框架，通过降低 DRAM 供电电压，通过采用量化权重、高效的 DRAM 映射策略、分析神经网络容错性、开发高效的容错训练机制以及选择网络模型优化网络精度、内存和能量消耗等机制，实现在嵌入式系统中 SNN 推断的鲁棒能量效率，同时进行了实验验证。

Apr, 2023

本研究使用深度强化学习技术，提出了一种方法，在具备多种协处理器的异构 SoC 系统中智能地调度和学习任务流，实验结果表明，相比于传统的调度启发式算法，我们的强化学习系统在最小化执行时间方面提供了更好的选择。

Jun, 2019

本文介绍 ESA 算法，一个用于优化 In-Network Aggregation 过程中交换机中有限的内存管理，通过增加数据优先级调度和引入抢先式密集聚合器，可以提高交换机存储器利用率和平均作业完成时间（JCT），并可以将平均 JCT 提高至 1.35 倍。

Jan, 2022