该论文介绍了一种名为 Sparse CNN 的卷积神经网络加速器体系结构，它可以通过利用 CNN 训练期间的网络修剪所产生的零值权重以及推理期间常见的 ReLU 算子产生的零值激活来提高性能和能源效率，从而减少数据传输和存储要求，并通过一种新型数据流方式有效地传递权重和激活值到乘法器阵列。该加速器在现代神经网络上可以将性能和能源效率分别提升 2.7 倍和 2.3 倍。

May, 2017

本文提出了一种引入可重构性的基于 Photonic Microring Resonator 的 CNN 加速器，以动态最大化加速器硬件组件与处理使用硬件组件的 CNN 张量之间的大小兼容性，从而提高并行性、灵活性、效率、速度和整体能效，并在四个现代 CNN 的推理中对其进行了评估，结果表明其对于先前工作中的 MRR 加速器在 FPS 和 FPS/W 方面分别提高了 1.8 倍和 1.5 倍。

Jul, 2022

提出一种名为 ACNPU 的高能效超分辨率加速器，通过使用分离的异态卷积和分流旁路结构，以及实现整体模型融合来提高图像质量，同时还能减少复杂性和内存带宽需求，达到 4.75 TOPS/W 的能量效率。

Aug, 2023

本研究致力于加速 Super-Resolution Convolutional Neural Network，并提出了一个紧凑的 hourglass-shape CNN 结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过 40 倍的速度提升和优越的恢复质量。

Aug, 2016

介绍了一种名为 MBS CNN 训练方法以及 WaveCore CNN 训练加速器，它们通过在芯片缓冲区内优化复用而不是访问外部内存来减少内存访问并分别降低 DRAM 流量 75％ 和系统能量 26％。

Sep, 2018

该研究提出了一种流式硬件加速器，通过避免不必要的数据移动和独特的滤波器分解技术，优化了能源效率，并支持任意卷积窗口大小和使用并行池化单元计算最大池化功能，进而实现了吞吐量的提高和较高的能效比，可在智能物联网设备中应用。

Jul, 2017

本文介绍了一种用于二进制权重卷积神经网络的加速器，能够在 1.2V 下实现 1510 GOp/s 的运算，且在 0.6V 下消耗 895 μW 的功率。这个加速器比先前的最新技术在能量和面积效率方面都有很大的优势。

Jun, 2016

本文探讨了深度 CNN 在厘米波 massive MIMO 系统的信道估计中的应用，提出了精简空间频率 CNN、空间频率时间 CNN 和减少空间导频开销 CNN，通过数值结果验证了 CNN 可以在降低复杂度的同时提高估计准确性的结论。

Apr, 2019

使用 FPGA 的推断加速器，通过优化计算数据流、降低存储需求和优化卷积神经网络的部署，实现了支持任意核大小的卷积神经网络的高效部署，从而在各种基于视觉的应用中取得了卓越的性能。

Feb, 2024

本研究设计了一种基于光学随机计算和激光环共振器技术的神经网络加速器，该加速器在高精度量化的卷积神经网络推理中能提供高达 66.5 倍的效率提升，并具有非常高的能效比。

Feb, 2023