通过将 AutoTVM 算法 Droplet Search 整合到 Ansor 的探索阶段中，我们展示了在减少搜索时间的同时提高内核质量的潜力。应用该方法于 Ansor 生成的前 300 个内核时，通常比允许 Ansor 分析 10,000 个内核时更快地获得更好的内核。

Jun, 2024

提出了 NeutronOrch，这是一个用于基于样本的 GNN 训练的系统，它采用基于层的任务编排方法，实现了 CPU 和 GPU 的平衡利用，具有 4.61 倍的性能加速。

Nov, 2023

该论文介绍了一个基于深度学习工作负载的张量程序优化学习框架，其通过学习领域特定的统计成本模型来引导张量操作实现的搜索，进而加速搜索，实现性能与手动调整的图书馆竞争力相当。

May, 2018

通过 Ansor 生成高性能的张量程序，可以在使用 Intel CPU、ARM CPU 和 NVIDIA GPU 的深度神经网络上获得高达分别为 3.8 倍、2.6 倍和 1.7 倍的执行性能改进。

Jun, 2020

通过一个名为 COSMA 的优化框架，我们能够在专用硬件加速器上为 DNNs 找到最佳的操作调度、内存分配和张量替换方式，从而最小化额外数据访问，同时通过分而治之的启发式方法可以将复杂 DNNs 的数据访问降低 85% 以上。

Nov, 2023

使用深度序列到序列模型预测 GPU 计算内核的最佳调优参数，能够准确学习 GPU 计算内核的性能动态，减少开发时间和计算资源。

Apr, 2024

提出一种称为 “任务映射编程范式” 的新方法，用于嵌入调度过程并使用专用映射来定义计算分配和排序，从而在深度学习编译器 Hidet 中实现了更丰富的表达能力和自动化的优化，优于 ONNX Runtime 和 TVM 等其他工具

Oct, 2022

本文讨论了在 ZHAW 教授机器人应用编程课程的经验，介绍了使用 Kubernetes（k8s）集群和真实的、异质的机器人硬件相结合的方法，讨论了我们的解决方案在学生无缝模拟体验方面的主要优势以及网络和共享 GPU 支持深度学习工作负载所遇到的主要缺点。提出了未来课程版本避免这些缺点的替代方案，并建议更云原生的方法来部署多个机器人应用程序在 k8s 集群上。

Oct, 2022

我们提出了一种将最优输运论和基于神经网络的方法集成到新颖的减小阶模型框架中的方法，通过使用 Wasserstein 距离作为自定义核函数的核 POD 方法，并利用 Sinkhorn 算法高效训练得到的神经网络，可以捕捉数据的几何结构，从而实现精确学习降维解流形。与传统指标（如均方误差或交叉熵）相比，利用 Sinkhorn 散度作为损失函数可以增强训练的稳定性，对抗过拟合和噪声并加速收敛。通过在具有 Kolmogorov n-width 缓慢衰减特性的一系列具有挑战性的测试案例上进行实验，结果表明我们的框架在准确性和计算效率方面优于传统的减小阶模型方法。

Aug, 2023

提出了 Miriam，一种用于多个边缘 GPU 上的深度神经网络任务协调的计划，通过弹性内核生成器和运行时动态内核协调器，可以实现混合关键性 DNN 推理，并且在关键任务上只产生不到 10％的延迟开销，相比现有技术基准，系统吞吐量可提高 92％。

Jul, 2023