首页 过刊目录
过刊目录
2026年, 第63卷,第6期  刊出日期:2026-06-01
    观点
  • 李国杰
    计算机研究与发展. 2026, 63(6): 1377-1389. doi: 10.7544/issn1000-1239.202660189

    本文讨论计算范式的扩展与跃迁。首先阐述了图灵计算的伟大历史意义与局限性,定义了什么是计算范式,区分了4类计算范式:CS1.0、CS1.x、CS2.x和CS2+,指出计算范式是从“离散、算法、规则固定、外赋语义、封闭单体”向“连续、动力系统、规则生成、语义内生、开放生态”多维方向扩展,迈向开放演化计算。接着重点解释了CS1.x和CS2.x 的区分判据是规则闭包和语义闭包;介绍了开放演化计算范式的典型案例,包括生成式AI、结构性计算、制度性计算等;强调开放演化计算的核心问题是可治理。最后讨论了开放演化计算的理论基础和关键技术,阐明开展开放演化计算基础研究的重大意义,呼吁学术界和产业界重视这一技术范式的变迁。

  • 大模型辅助芯片设计专题
  • 计算机研究与发展. 2026, 63(6): 1390-1391. doi: 10.7544/issn1000-1239.qy20260601
  • 大模型辅助芯片设计专题
  • 夏雨欢, 李暾, 周贤发, 赵文博, 张瑞瑜, 郭阳
    计算机研究与发展. 2026, 63(6): 1392-1408. doi: 10.7544/issn1000-1239.202660116

    随着深度神经网络(DNN)加速器的快速发展,为新架构构建模拟器的成本高、周期长。尽管大语言模型(LLM)的进展为模拟器生成带来了新的可能性,但现有方法仍存在通用性不足、难以生成完整系统以及构建复杂度高等问题。为此,提出SimulatorGen,一种多智能体框架,其基于自然语言描述生成DNN加速器模拟器代码。首先,对通用DNN加速器模拟器架构进行抽象并提取23条组件规范;在此基础上,引入4类协同智能体完成生成过程:分析智能体通过检索增强生成(RAG)从模拟器库中检索领域知识,并结合思维链(CoT)构建结构化提示词;编码智能体根据提示词生成代码,或基于测试反馈修复错误代码;测试智能体基于从规范中提取的属性,执行语法检查、功能测试以及使用Z3求解器的形式化验证;组装智能体负责组件组装、自动执行与指标比对,实现完整模拟器的自动构建。在覆盖多样化DNN加速器模块与架构的23个生成任务上对SimulatorGen进行评估,实验结果表明,基于GPT-4o构建的SimulatorGen的表现优于包括Claude-Sonnet-4在内的LLM基线,Pass@1达到82.39%。在成功设计的组件基础上,进一步使用SimulatorGen构建了可运行的张量处理单元(TPU)和MAERI架构的模拟器。与STONNE相比,SimulatorGen构建的模拟器在多个DNN模型上的能量、时延和能量时延乘积(EDP)指标相对误差范围为1.31%~7.34%,且功能行为通过测试与执行验证保持一致,表明其具备准确建模加速器行为的能力。同时,相比于仅支持模块替换的单智能体SimulatorCoder,SimulatorGen具备端到端生成完整模拟器的能力,进一步验证了所提方法的有效性。

  • 大模型辅助芯片设计专题
  • 穆嘉楠, 史茗宇, 叶靖, 晁志腾, 李华伟
    计算机研究与发展. 2026, 63(6): 1409-1422. doi: 10.7544/issn1000-1239.202660164

    基于大语言模型(LLM)的寄存器传输级(RTL)代码生成是近年来受到广泛关注的研究方向,因为它旨在突破当前芯片设计流程中自动化程度最低的环节。然而,高层规格描述与RTL之间存在显著语义鸿沟。同时训练数据有限,导致现有模型在生成正确性方面仍面临较大挑战。一种自然的思路是借鉴人工设计经验,将设计与验证相结合,但RTL测试数据相较设计数据更加稀缺,使该方法对LLM并不友好。相比之下,LLM在Python/C等高层语言中表现出更强能力,这类语言更适合功能描述,似乎更有潜力用于RTL验证。但高层语言与RTL之间仍存在巨大的语义差异,并且在时空粒度上存在明显差别。基于高层语言对RTL进行验证,需要LLM不仅理解高层功能语义,还必须确保底层时序行为与电路执行一致,这并非易事。针对上述问题,提出基于函数抽象验证的RTL生成ReAct推理框架—Faver,作为一种函数抽象可验证中间件,用于简化LLM驱动的RTL生成与验证流程。通过将更适合LLM处理的代码结构与基于规则的模板相结合,Faver对电路验证细节进行解耦,使LLM能够专注于功能本身。实验结果表明,在SFT模型和开源模型上,Faver可将RTL生成正确率提升最高达14%。

  • 大模型辅助芯片设计专题
  • 皇甫璟轩, 王虹飞
    计算机研究与发展. 2026, 63(6): 1423-1436. doi: 10.7544/issn1000-1239.202660161

    集成学习已被广泛用于提高人工智能模型的泛化性能。然而,集成模型引起的额外内存开销和计算成本限制了它们在资源受限场景下的应用。为应对这一挑战,提出了LEMON,一种面向高效硬件实现的大语言模型(large language models,LLMs)驱动的集成约简与Verilog HDL生成框架。LEMON利用LLM在文本理解、生成以及解决复杂问题方面的优势,显著降低了集成模型的内存占用和计算需求。在20个公共数据集上的广泛评估表明,LEMON在保持紧凑模型尺寸的同时,在多数测试集上达到甚至超越原始集成方法。值得注意的是,与最先进的技术相比,LEMON在集成约简方面实现了超过9倍和338倍的加速,展示了其在各类场景下的卓越可扩展性。此外,LEMON 集成了一种基于 LLM 的模型自动化硬件部署流程,显著简化了从软件模型到高效FPGA实现的过渡过程。与传统的随机森林(random forest)实现相比,LEMON将功耗降低了64.7%以上,硬件资源利用率提高92.6%以上,使其更加适用于边缘和嵌入式场景下的应用。

  • 大模型辅助芯片设计专题
  • 张聪武, 王亚洲, 王攀宇, 陈明宇, 包云岗, 张科
    计算机研究与发展. 2026, 63(6): 1437-1450. doi: 10.7544/issn1000-1239.202660162

    大语言模型正逐步进入芯片与FPGA研发流程,但现有工作多集中于RTL生成、断言生成或局部调试,缺少结合真实工程闭环的系统性案例。以多FPGA原型系统中的数据通路时延探测工具SegTracer为对象,研究人工主导、大模型辅助、验证驱动的研发方式在实际IP实现中的作用。围绕SegTracer的设计与落地,大模型被用于需求重构、方案比较、设计文档收敛、SpinalHDL实现、寄存器访问与验证脚本生成,以及局部调试中的错误排查;人工负责关键机制定义、文献核验、跨时钟域与握手语义处理、波形分析和实验归因。技术上,SegTracer采用独立探测包、包生成监控模块和统一时间戳模块协同工作,通过去程压栈、返程原位减法和端点集中统计,实现了不依赖全局时钟同步的分段时延测量与分布分析。仿真与FPGA上板实验表明,该工具能够在QSFP直连和PCIe软硬件协同场景下完成时延分解与尾部瓶颈定位。案例结果表明,大模型有助于提升设计收敛、脚本开发和联调验证效率,但在领域语义理解、跨时钟域处理、时序正确性和结果解释等关键环节仍需人工主导。

  • 人工智能
  • 杨璐嘉, 周溪石, 王俊超, 张金山, 金涛, 尹建伟
    计算机研究与发展. 2026, 63(6): 1451-1477. doi: 10.7544/issn1000-1239.202550560

    近年来,随着深度学习和多模态信息融合技术的快速发展,现有2D虚拟人驱动技术能够根据输入的视频、语音、表情和姿态等信息,驱动指定人物生成逼真的表情和动作,为虚拟娱乐、在线教育和智能交互等场景带来了极大的便利。综述系统地梳理了基于深度学习的2D虚拟人驱动技术的发展现状,概括了其原理与所采用的基础模型。同时,根据驱动部位及实现架构的不同,对驱动技术进行分类与概述,重点阐述并对比了近年来的主要方法,介绍了集成驱动的研究状况与发展前景。此外,还深入探讨了当前研究面临的生成逼真性、数据集质量、模型实时性等方面的技术挑战,旨在为相关领域研究人员提供较为全面的技术梳理与展望,帮助推动该领域的进一步发展。

  • 人工智能
  • 陈海丰, 李溪, 李岩, 李健, 何浪, 蒋冬梅
    计算机研究与发展. 2026, 63(6): 1478-1491. doi: 10.7544/issn1000-1239.202550544

    多模态情感识别旨在整合不同模态数据以推断情感状态。现有研究通常平等对待各模态或依赖单一模态设计固定策略的融合方法,难以应对模态数据贡献度不均衡的问题。为此,提出一种动态的多模态混合融合方法(MoMFE),并基于混合专家模型框架设计了自适应路由模块和多模态融合专家模块,动态评估各模态的贡献度并选择相应的融合策略。其中,自适应路由机制通过模态间相关性分析动态评估模态贡献度,并为融合专家的选择提供指导,同时引入专家引导损失,进一步优化融合专家选择;多模态融合专家则针对不同模态贡献度组合进行互补融合,并通过引入共享专家以避免全局信息丢失和参数冗余。基于MER2024,CMU-MOSEI,CH-SIMS数据集上的多模态情感识别任务的对比实验表明,相比其他先进的多模态融合方法,MoMFE方法在情感识别准确率(Acc-2)、F1分数等核心评估指标上均取得优异的性能。

  • 人工智能
  • 曹付元, 李欣娜, 张佳璇
    计算机研究与发展. 2026, 63(6): 1492-1505. doi: 10.7544/issn1000-1239.202550624

    从观测数据中估计个体因果效应面临的核心挑战在于混杂偏差与反事实结果的不可观测性。为消除混杂偏差,现有方法通常将全部协变量作为混杂因素进行平衡,但错误平衡工具变量和调整变量会引入估计偏差并扩大方差。尽管近期研究通过协变量分解来分离混杂因素,但其样本重加权的平衡方法会引起极端权重,同时忽视了处理组与对照组间的样本失衡问题,导致个体因果效应(individual causal effect,ICE)估计不准确。针对上述局限,提出了一种基于对抗学习的个体因果效应估计方法,该方法通过对抗机制优化表示学习与分布平衡。具体来说包括以下步骤:1)样本处理。采用SMOTE算法对数据进行预处理,以缓解处理组和对照组样本失衡问题。2)表示学习。设计2个对抗概率约束模块,通过变量解耦实现混杂因素分离。3)混杂平衡。通过特征平衡器与对抗判别器动态对齐混杂变量在处理组与对照组中的空间分布,构建对抗平衡网络,避免样本重加权中的极端权重问题。实验结果表明,所提方法可以精确地分解混杂因素并提高模型个体因果效应估计的准确性。

  • 人工智能
  • 老明瑞, 李正, 丁兆云, 张雪毅, 岳祥虎, 郭延明
    计算机研究与发展. 2026, 63(6): 1506-1521. doi: 10.7544/issn1000-1239.202550339

    随着轻量级模型在边缘计算等资源受限场景中的广泛应用,其对抗鲁棒性不足的问题日益凸显。对抗蒸馏作为提升轻量级模型鲁棒性的重要手段,虽然现有方法普遍采用基于KL(Kullback-Leibler)散度的硬性约束实现鲁棒知识传递,但仍面临知识建模不完善和传递效率受限等问题。为此,该研究提出一种对抗排序蒸馏方法,通过优先级排序约束机制与多层次一致性框架,显著提升轻量级模型面向对抗攻击的抵御能力。具体地,前者旨在将视觉模型基于对抗样本的输出元素的重要性排序,进而约束教师-学生模型间的元素优先级保持一致,并通过函数近似非连续排序过程实现可导的松耦合约束。在此基础上,多层次排序一致性蒸馏框架从类别语意关联、样本语意关联以及对抗差异关联3个方面对鲁棒性进行建模与知识迁移,实现教师对抗防御能力的多视角传递,协同提升轻量级模型的干净样本准确率与对抗鲁棒性。在CIFAR-10,CIFAR-100,Tiny ImageNet数据集上实验验证了该方法的有效性,且相比于现有的先进对抗蒸馏方法有显著性能优势。同时,对抗排序蒸馏方法在训练数据受限和黑盒攻击场景下展现出更强的适应性与泛化能力,为轻量级模型在边缘部署中的安全防御提供了高效解决方案。

  • 人工智能
  • 周泽宇, 林彦, 郭晟楠, 林友芳, 万怀宇
    计算机研究与发展. 2026, 63(6): 1522-1533. doi: 10.7544/issn1000-1239.202550354

    时空轨迹挖掘在基于位置的服务中具有重要作用。轨迹表示学习将复杂的轨迹特征表示为低维表示向量,从而可以服务于多种下游任务,这一过程需要有效地从轨迹中提取时空特征和运动模式。然而,由于模型容量的局限以及轨迹数据集的规模问题,轨迹表示学习面临诸多挑战。大语言模型(large language model,LLM)通过在大规模、高质量数据集上的预训练,展现了其在多任务应用上的强大能力。鉴于轨迹与自然语言之间存在一定的相似性,利用LLM开发一种高效的轨迹表示方法成为可能。然而原始LLM并不能直接处理轨迹的独特时空特性,也无法有效提取运动模式。为了解决这些问题,提出了一种利用LLM提取运动模式的轨迹表示学习模型MPTraj(movement patterns-aware trajectory representation via LLM),该模型引入了一种新颖的轨迹语义嵌入器,使得LLM能够处理时空特性并提取运动模式,同时结合基于提示微调的轨迹编码器生成高质量的轨迹表示。此外,设计了2个预训练任务,即下一轨迹点预测和运动模式分类,来提升模型在下游任务中的表现。在2个真实世界数据集和4个代表性任务上的实验结果验证了MPTraj的有效性。

  • 人工智能
  • 范存航, 李骏凌, 张晶晶, 高佑典, 陈颖, 易江燕, 吕钊
    计算机研究与发展. 2026, 63(6): 1534-1547. doi: 10.7544/issn1000-1239.202550467

    神经导向说话人提取是一种模拟人类听觉注意机制的智能语音处理技术,通过解码听者脑电信号(electroencephalography,EEG)中的注意力指向,从混合语音中提取目标说话人语音。该技术为解决鸡尾酒会问题提供了新的解决思路,对开发智能助听设备具有重要意义。然而,现有方法面临多模态特征融合效率低、局部语音特征提取不足、模型计算复杂度高等挑战,制约了实际应用效果。提出新型端到端时域神经导向说话人提取模型GALENet,其创新性体现在3个核心模块:1)门控交叉注意力融合机制,通过双向交叉注意力建模EEG与语音的跨模态关联,引入动态门控权重自适应调节模态贡献,解决传统线性融合的信息交互不足问题;2)E-DPRNN网络,在双路径架构中嵌入Conv-U模块强化局部短时特征捕捉能力,配合残差连接提升梯度传递效率;3)单路径全局调制块(single-path global modulation,SPGM),采用无参数池化与特征调制替代传统块间建模,在减少参数量的同时保持全局语义建模能力。这3个模块协同实现了高效的多模态特征融合与精准的说话人提取。实验验证表明,该方法在Cocktail Party,AVED,MM-AAD这3个数据集上的平均SI-SDR分别达到13.59 dB,10.44 dB,10.17 dB,相较基线模型MSFNet性能提升5.4%~8.2%,参数量减少49.7%~55.6%,验证了该模型在神经导向说话人提取中的应用潜力与有效性。

  • 人工智能
  • 华启冲, 丁卫平, 陈悦鹏, 周天奕
    计算机研究与发展. 2026, 63(6): 1548-1562. doi: 10.7544/issn1000-1239.202550502

    高维数据集在多个领域的应用愈发广泛,其维度高、冗余多的特征易引发模型过拟合并增加计算开销。特征选择有助于从中提取有效特征,降低维度并提升模型的可解释性。尽管深度神经网络在特征提取方面表现出潜力,但在面对噪声和离群值时,其性能易受影响。为了解决这些挑战,提出一种新的基于直觉模糊深度自动编码器的特征选择算法(IFDAE)。该算法首先通过融合隶属度和非隶属度信息,应用直觉模糊权重来处理不确定性,从而抑制噪声和离群值的影响;然后,充分学习深度自动编码器中高度非线性的潜在表示,利用权重迁移将预训练知识迁入目标网络,通过结构化稀疏范数对输入层与首个隐藏层之间的连接权重矩阵施加正则项来获得结构稀疏权值矩阵,从而获得各特征的权值;最后,为了验证IFDAE算法的有效性,在12个公共数据集和1个真实世界的精神分裂症数据集上进行实验。结果表明,所提算法在重建能力和分类性能方面具有较高的优越性。

  • 人工智能
  • 宋子杰, 关鑫, 胡珍珍, 李佳, 洪日昌
    计算机研究与发展. 2026, 63(6): 1563-1573. doi: 10.7544/issn1000-1239.202550537

    关键帧选择作为长视频问答任务的重要方法,能够从冗余信息中准确定位关键内容,并构建可解释的推理路径。然而,现有的关键帧选择方法在端到端训练中存在语义敏感性不足的问题,导致关键帧选择过程中引入大量无关帧噪声,从而影响模型的准确性和可解释性。为此,提出了一种基于伪标签引导的关键帧选择(pseudo-labels guided keyframe selection,PGKS)方法。该方法首先利用大语言模型对问题与答案进行语义融合,生成全局描述性文本,并结合多模态对齐模型,计算描述与视频采样帧之间的语义相似度分数,从而构建帧级伪标签。然后,通过伪标签引导帧级相似度分数的计算,有效抑制了无关帧噪声,增强了关键帧选择的准确性与可解释性。这种大语言模型的利用和训练分离的方法,为资源受限场景中对大语言模型的利用提供了一种低成本的方案。此外,关键帧选择方法平衡了可微性与硬排序的精准性,并通过引入滑动时间窗口机制,进一步提升了模型对视频时序关系的理解能力。实验结果表明,PGKS模型在长视频问答数据集NExT-QA上达到了62.67%的准确率,优于现有同体量模型的方法,并较无伪标签引导的基线提升了8.51个百分点。

  • 人工智能
  • 李林浩, 曾宣迪, 唐忆滨, 刘博生, 武继刚
    计算机研究与发展. 2026, 63(6): 1574-1583. doi: 10.7544/issn1000-1239.202550648

    随着人工智能技术的快速发展,大语言模型(large language models,LLMs)已成为现代智能系统的关键组成部分。然而,模型规模的持续增长带来了显著的存储与计算开销,严重制约了其在资源受限设备中的部署效率。尽管低比特整数量化技术(如INT8)在降低存储需求与提升推理效率方面取得了一定成效,但在面对超大模型时仍存在精度下降与存储冗余的问题。为解决上述问题,提出一种数值量化方法——低比特共享(low bit sharing,LBS)。该方法在传统整型量化基础上引入结构化的高低位分离机制,仅保留权重的高有效位,并在张量组内共享低比特信息,从而在保持数值表达能力的同时显著地降低存储开销。此外,针对整数量化中显著权重易受量化影响的问题,进一步提出显著值感知量化策略,基于Top-K选择算法识别具有高影响力的关键权重值,并通过引入缩放因子缓解其在量化过程中的误差累积,增强模型精度鲁棒性。实验结果表明,所提出的LBS方法在多个主流大语言模型上展现出优越的存储性能与精度保持能力,为大语言模型的部署提供了一种可行的解决方案。

  • 网络与信息安全
  • 李天宇, 王兴伟, 曾荣飞
    计算机研究与发展. 2026, 63(6): 1584-1596. doi: 10.7544/issn1000-1239.202550600

    近年来,云—边—端协同(edge-cloud-end collaboration,ECEC)已成为赋能各类计算密集型应用的高效且有前景的技术,其有效弥合了数据分析与物理状态之间的鸿沟。在ECEC中,亟需一种可靠且最优的任务调度方案,以最大限度地提升资源利用率并为终端用户提供满意的服务。然而,现有的调度方案仍面临诸多挑战,如网络拓扑结构的不稳定与复杂性、任务优先性的高度动态性和终端用户之间信任机制的缺失。提出了一种基于区块链辅助动态优先级调度策略,能够在动态场景下将大规模任务传输至边端或云端服务器。首先对资源分配与任务调度问题进行建模,建立动态优先级分配模型,采用层次分析法确定大规模任务生成子任务的优先级。采用了基于区块链的拉格朗日乘子的分布式岛模型增强遗传算法,将所建问题转化为凸优化形式,实现特定方案下的最优资源分配。此外,所提出的架构还引入区块链验证机制,以提升系统稳定性并加强数据隐私保护。大量仿真实验结果表明,与多基线方案相比,所提方案在ECEC中可实现降低系统总时延和隐私开销的10%。

  • 网络与信息安全
  • 陈方舟, 王清楠, 单丹枫
    计算机研究与发展. 2026, 63(6): 1597-1612. doi: 10.7544/issn1000-1239.202440909

    码率自适应(adaptive bitrate,ABR)是提升在线视频用户观看体验的重要方法。现有视频流码率自适应算法通常基于应用层观测到的网络特征来进行码率决策,但是这一方法存在明显局限:仅基于应用层观测难以准确估计出视频块下载时间。具体而言,现有算法往往忽视了往返时延、丢包率等因素对视频块传输的影响且实时性较差。为此,提出了一种基于传输层信息的视频码率自适应算法Prophet。与传统的ABR算法不同,Prophet在传输层实时计算带宽、丢包率和往返时延等网络参数,从而更精确地评估网络环境。此外,还基于传输层信息建立了视频块下载时间预测模型,系统地考虑了丢包重传、尾部时延等因素,实现了对下载时间的精准预测。基于真实网络环境的实验表明,Prophet算法在多种网络条件下均优于现有算法。与现有ABR算法相比,Prophet的平均用户体验质量(quality of experience,QoE)提高了0.3%~117.9%. 在蜂窝网络环境下,Prophet的平均QoE提高了31.7%~117.9%。

  • 网络与信息安全
  • 李晓光, 谢佳宏, 李凌峰, 杜岳峰, 王俊陆
    计算机研究与发展. 2026, 63(6): 1613-1626. doi: 10.7544/issn1000-1239.202550378

    高效鲁棒的拜占庭容错(Byzantine fault tolerance,BFT)共识协议是联盟链应用的基础。现有提案过程中,协议多需要主节点发送O(n2)数量的签名,严重影响了协议的效率。部分协议实现了线性视图切换,即主节点只需发送O(n)数量的签名来证明提案的有效性,但放弃了积极乐观响应或者增加1轮消息交换。针对这些问题,提出了一种同时满足线性视图切换、积极乐观响应、2阶段提交的BFT共识协议Climber。首先,在发生视图切换时,新任主节点通过穷举未上锁承诺,在不增加提交阶段的同时,可以向副本节点证明提案的有效性;其次,新任主节点利用聚合签名技术,将相同视图的未上锁承诺聚合为未上锁证书,使视图切换时的通信复杂度降低至O(n);最后,引入恶意节点黑名单机制,使主节点只需花费O(n)的时间代价验证签名。仿真实验结果表明,Climber相比Fast-HotStuff等先进BFT协议具有更好的鲁棒性。

  • 网络与信息安全
  • 赵新宇, 李司
    计算机研究与发展. 2026, 63(6): 1627-1638. doi: 10.7544/issn1000-1239.202550515

    对抗扰动的净化防御对识别模型安全应用具有重要的研究意义。现有的防御方法通常采用固定的对抗攻击方法进行分类模型增强训练,或者对输入样本进行数据重构,但在实际防御中存在方法泛化性低、信息丢失或分布不稳定等问题。为解决上述问题,提出了基于扩散模型的分布双向引导对抗扰动净化防御方法。具体而言,设计了类间循环和类内聚合的双向引导方法,通过随机微分方程逆时序实现对抗域与干净域之间相互跨域映射,依据循环一致性思想完成干扰的有向消除,利用潜在变量增强进行分布调控,提高干净分量完整性和分布稳定性,并在干净域到对抗域的通路中引用类内聚合,提升各时刻类别属性的置信度,促使其向概率分布高密度区间偏移。实验结果表明,在数据集CIFAR-10,CIFAR-100,ImageNet上,所提方法与基线防御算法相比,Standard Acc平均提升10.9个百分点, Robust Acc平均提升4.36个百分点,在干净分量完整性保持方面表现出显著的优势,并且该方法在净化过程中也展现出较强的稳定性。