通过基于图神经网络的机器学习模型，高效准确地进行了快速和准确的电池库特征化，验证结果显示了准确的延迟、功耗和输入引脚电容的预测，同时确定了系统级度量指标的精确预测以及细粒度驱动强度插值方法对小到中等规模设计的改进。

Dec, 2023

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

本文提出了一个基于深度学习的优化框架（IOPO），可以在毫秒之内生成高效节能的任务卸载决策，并且在处理解决方案空间广泛的复杂问题时，相较于其他基准方法性能更优。

Jul, 2023

基于图神经网络 (GNNs) 的统一框架，解决组合优化问题 (COPs)，包括 COPs 的图表示、非图结构 COPs 转换为图结构 COPs 的等效转换、图分解和图简化，利用 GNNs 有效捕获关系信息和提取 COPs 图表示的特征，为 COPs 提供了通用解决方案，能够解决非图结构和高度复杂图结构的 COPs 限制。

Jun, 2024

通过跨层级协同设计和领域专用定制，我们提出了一种名为 TeMPO 的时分复用动态光子张量加速器，它在电子光子计算系统中弥合了性能差距，达到了更高的性能和效率。

Feb, 2024

本文提出了一种基于神经网络的方法来解决电力网络的最优潮流问题，并通过智能的初始解决方案及其他输出的指导，使得模型产生更快的收敛速度并保持最终解的最优性，计算结果显示在不失最终解最优性的前提下，Smart-PGSim 取得了平均 49.2%（最高可达 91%）的性能提升。

Aug, 2020

GCoDE 是第一个自动化的图神经网络（GNN）框架，它在设备边缘层次结构上创新地共同设计了架构搜索和每个操作的映射，通过性能意识的方法实现了在多样化的异构系统中的架构效率的有效评估，实验结果表明，与现有方法相比，在各种应用和系统配置中，GCoDE 可以实现高达 44.9 倍的加速和 98.2% 的能量节约。

Apr, 2024

我们的研究工作的重点是通过决策导向的图学习，在组合优化问题中采用神经网络框架，提出了一个更高效和精确的框架。此外，我们引入了一个决策导向的框架，利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明，我们的方法在经典组合优化问题上优于独立的图神经网络方法和传统方法。

Jun, 2024

通过最大可满足性问题（Max-SAT）提出了一种统一的图上组合优化问题（CO）的预训练和适应框架，能够提取可转移和可推广的特征，以解决图上不同 CO 问题。

Dec, 2023

我们开发了一个基于图形的框架来表示最佳热管理系统设计的各个方面，旨在快速高效地识别最佳设计方案。通过图形框架，我们生成多样的热管理系统体系结构，对这些系统体系结构在各种负载条件下建模，并利用开环最优控制器确定每个系统的最佳性能。利用图神经网络模型训练预测性能，我们对剩余数据集进行性能估计，并利用估计值对测试数据进行排序，提供优先评估设计方案的能力。结果显示，通过此方法能够显著降低 92% 以上的系统动态建模和最优控制分析所需的工作量，以识别最佳设计方案。

Nov, 2023