过刊目录随着半导体技术的发展,芯片物理设计面临日益增长的复杂度与多目标优化挑战,传统电子设计自动化(electronic design automation,EDA)工具在效率与收敛性上面临瓶颈。人工智能(artificial intelligence,AI)技术,特别是深度学习与强化学习,为数据驱动的设计优化提供了新范式。系统综述了AI方法在芯片物理设计的4个核心阶段:版图规划、布局、时钟树综合与布线中的应用进展。首先,从优化目标角度,梳理了各阶段代表性AI方法及其技术贡献;其次,批判性分析了学术数据与工业级场景间的差异,揭示了关键数据瓶颈;再次,评述了不同阶段AI方法与传统EDA流程的集成方式;而后,系统总结了各阶段AI方法的演进趋势,指出从单点优化、几何驱动向跨阶段协同、AI原生设计的范式转变;尽管AI方法已显著提升设计效率与质量,其广泛应用仍受限于数据稀缺、模型可解释性不足以及与现有工具链的集成挑战,因此在最后,分析现有芯片物理设计AI方法的局限性,并展望开源AI-EDA基础设施、电路大模型、AI原生EDA等未来研究方向。
深度学习在近年来表现出强大的模式挖掘与结构推断能力,为算法设计这一高度依赖经验与直觉的领域提供了新的可能性。聚焦“无监督条件下自主学习可解释性算法规则”这一核心目标,以排课问题和旅行商问题这2个经典组合优化问题为典型案例,提出2种基于深度强化学习的方法Neural-Greedy与Neural-3-OPT。针对排课问题,Neural-Greedy可从大量问题实例中自主学出3条最优贪心规则(优先选择最早下课的课程,优先选择最晚上课的课程及二者的混合策略);其核心机理是通过参数调控与神经元协同实现时间节点关键特征的精准聚焦,进而完成多规则同步习得。针对旅行商问题,Neural-3-OPT可从大量问题实例中自主学出高效的3-opt启发式策略,在TSP20、TSP50和TSP100随机数据集上的最优性差距分别低至0.00%、0.08%和0.74%,显著优于工业级求解器OR-Tools,且在真实数据集TSPLIB上保持更优性能;其优势源于“初期精准选优”的智能决策机理,通过优先识别对全局解质量影响显著的低效边、识别适配迭代全程的重连策略,避免单步贪心选择与无效迭代,实现快速收敛与高质量求解。研究表明,深度学习不仅能逼近最优求解性能,更能自主学出具备可解释性的算法规则,为算法设计提供了“数据驱动”新范式,也为“AI辅助算法设计”的发展提供了重要思路。
近年来,深度学习在气象预测与气候建模中的应用取得了显著进展,并在农业气象服务中展现出重要价值。尽管已有综述文章对相关方法进行了系统梳理,但多聚焦于模型架构、任务类型或应用场景,尚缺乏从农业视角出发的系统总结。聚焦气象大模型(large meteorological models,LMMs)的技术演进与应用实践,围绕模型结构建立分类体系,系统回顾传统数值方法与深度学习架构的发展脉络。根据建模范式的不同,将主流方法归纳为六大类:经典深度神经网络、图神经网络、Transformer 架构、状态空间模型、生成式模型以及物理引导与多模态融合模型,并进一步梳理了典型模型在农业场景中的应用,包括农业气象预报、极端天气预警、防灾减灾及精准农业决策支持等关键任务。此外,还汇总了常用数据集与评估指标,分析当前气象大模型在泛化能力、不确定性建模与物理一致性方面的挑战,并展望了未来研究的关键方向,旨在为气象大模型在农业场景中的深入研究与应用提供系统性参考。
为构建适用于主粮作物的基因组功能元件序列生成模型,并评估其跨物种泛化能力,以Evo2基因组语言模型为基础,针对多种主粮作物开展微调与生成性能评测研究。选取马铃薯、花生、籼稻(MH63、ZS97)、粳稻和小麦6个作物品种,围绕编码序列(CDS)、外显子、内含子、mRNA、5′非翻译区(5′ UTR)和3′非翻译区(3′ UTR)六类核心基因组功能元件,构建统一的条件生成与评测体系。实验结果表明,经作物数据微调后,Evo2 模型在所有功能元件上的生成性能均较零样本基线获得稳定提升,平均序列相似度绝对提升约 0.49 个百分点,对应相对提升约 0.79%,表明微调能够有效增强模型对作物基因组序列特征的适配能力。进一步的跨物种测试显示,模型在不同作物之间仍保持良好的泛化性能,各类功能元件的跨物种泛化差距均小于1 个百分点。其中,编码相关元件(CDS 和 mRNA)生成最为稳定,而5′ UTR对物种差异相对更为敏感。综上,验证了基于 Evo2 微调的基因组语言模型在主粮作物多功能元件序列生成任务中的有效性与跨物种适用性。补充生物信息学分析进一步表明,模型在ORF连续性等方面具有一定合理性,但在密码子偏好、UTR调控基序及内含子剪接规则等精细生物学特征上仍存在改进空间。
核糖核酸(ribonucleic acid,RNA)作为生命活动的核心调控分子,其研究对于疾病机制解析与创新药物研发至关重要。然而,RNA结构与功能的复杂性、高通量测序产生的海量数据,以及传统实验方法的局限,共同制约了RNA研究的深入发展。近年来,人工智能技术(artificial intelligence,AI)凭借其强大的模式识别、高维数据挖掘与预测建模能力,为RNA研究提供了创新解决方案。系统综述了AI在RNA研究中的核心应用,涵盖RNA序列元件优化、RNA修饰位点预测、RNA二级与三级结构预测,以及RNA-蛋白质相互作用建模等关键方向。进一步剖析了当前AI 驱动 RNA 研究面临的核心挑战,包括高质量标注数据资源匮乏、模型可解释性不足等;并在此基础上,从数据资源整合、模型与算法优化、干湿实验闭环转化体系构建等维度明确未来发展路径,以期推动 AI 与 RNA 研究的深度融合,加速基础科学发现与创新疗法的研发进程。
机器学习原子间势(machine learning interatomic potentials,MLIPs)通过拟合势能面,在接近第一性原理精度的同时,将分子动力学模拟推进到更大时空尺度,成为衔接微观量子力学与宏观物性模拟的有效途径。围绕模型架构、训练优化与评估体系协同演进的现状展开:多样化的模型架构要求设计特定的训练策略、高效的训练优化可提升模型的迭代速度,而严谨的多任务评估体系是度量模型可靠性的关键。系统综述了MLIPs在模型架构、训练优化及模型评估方面的代表性成果与最近进展。在模型架构层面,从对称性保持角度MLIPs可分为不变、等变及无约束3类,同时梳理了“专用模型”向“预训练模型”的演进历程和代表性模型。在训练优化层面,介绍了专用模型上无框架实现、优化器算法、算子融合等技术,以及预训练模型上常用的负载均衡、两阶段训练等常用优化策略。在模型评估层面,分析了Matbench Discovery与FAIR Chemistry Leaderboard(OMol25)等较为权威评测榜单的多个评价指标。
ZNS固态硬盘(zoned namespaces solid-state drive,ZNS SSD)减少了传统固态硬盘的“块接口税”所带来的性能开销,为构建高性能存储系统带来了新的机遇。然而,由于ZNS固态硬盘将垃圾回收、地址映射等操作上移至主机端,以及区域划分、顺序写入等存储范式的变化,导致基于ZNS固态硬盘的存储系统也面临诸多挑战。首先,系统地归纳了基于ZNS固态硬盘的存储系统所面临的3个核心挑战:写入放大、并行性和数据一致与可靠性。然后,系统地阐述了针对各类挑战的存储优化技术、研究进展和典型研究,并介绍了面向ZNS固态硬盘的模拟仿真器和性能优化辅助工具。最后,展望了基于ZNS固态硬盘的存储系统优化技术的未来研究方向,包括跨层协同设计、多层次异构集成、软件堆栈优化、系统全局优化。
随着RISC-V生态的发展,基于RISC-V的自定义扩展指令来驱动领域专用结构(domain-specific architectures,DSA)成为了一种广受关注的设计方式。但在传统的硬件描述语言和设计范式下,因为需要了解处理器设计细节并对其进行修改,将DSA与处理器集成并完成指令设计需要耗费较高的人力和时间成本。目前,有部分工作通过在顺序处理器中实现固定的数据通路和接口来支持开发者接入DSA,但对高性能乱序处理器尚无完善的解决方案。通过实践归纳出乱序处理器上以扩展指令驱动并集成DSA时需要解决的关键问题。设计了一个面向RISC-V高性能乱序处理器指令扩展的硬件编程框架,来辅助开发者在乱序处理器上集成DSA并完成指令扩展。该框架基于Chisel实现,应用面向对象和函数式编程的特性灵活地描述硬件并辅助完成信号连接,帮助开发者节约了工作量。经过实验评估,在该框架的辅助下,开发者最多可以节约
随着深度学习应用的迅猛发展,TensorCore GPU,TPU,MLU 等深度学习处理器(deep learning processor,DLP)迅速兴起,并在矩阵运算中展现出优异性能。为高效处理复杂矩阵数据,这类处理器通常以固定步长将子矩阵分块加载到片上存储器,形成特定的跨步访存(strided memory access)。然而,英伟达 H100、华为 Ascend 及寒武纪 MLU 等设备目前均依赖复杂的显式冲突管理,缺乏对矩阵跨步访存冲突的硬件调控,致使指令执行原子性和一致性难以保障。传统访存冲突检测方法侧重于标量运算,难以捕捉矩阵数据间的依赖冲突。针对这一现状,提出了一种矩阵跨步访存冲突判定方法,将冲突检测归约为二元一次不定方程求解,从而精确判断访存指令间的依赖关系。模拟实验表明该方法显著优化了大模型典型算子的访存性能:访存带宽利用率最高可达 94%(LPDDR存储器)与 91%(HBM存储器),且与 Power 测试和集合相交方法相比,平均判定开销分别降至 4.68% 和 0.31%。此外,基于 12 nm工艺的硬件评估显示,比较器面积仅
大模型在自然语言处理、计算机视觉、聊天机器人以及内容生成等多个领域中展现出了优秀的能力。大模型在边缘设备上的部署因其在稳定性和数据安全方面的优势受到广泛关注。然而,大模型的解码推理过程主要由访存受限的算子构成,随着模型规模的扩展以及复杂任务对上下文长度的需求持续增长,访存开销成为了限制大模型在边缘设备上部署的关键瓶颈。为了降低大模型在长上下文解码时的访存开销,局部性感知的注意力机制被提出。该机制基于注意力分数在解码过程中的数值局部性,对键值缓存(KV cache)进行压缩,实现了在不影响模型精度的情况下,有效削减了冗余的访存。设计了一种基于混合键合3维DRAM的局部性感知大模型推理加速器,在有效降低总体访存量的同时显著提升了主存带宽。该加速器集成了负载均衡与基于预测的预取机制,来适配混合键合3维DRAM的结构特性,从而提升带宽利用率。在所评估的模型上,该加速器在批处理大小为1,2,4时,平均实现了分别为
社交网络的快速发展使得通过公共频道的数据传输变得无处不在,带来了显著的安全性和隐私问题。尽管数据加密能确保安全性,但其独特的格式可能引起怀疑。隐写术通过将秘密数据隐藏在普通媒体中,如图像、文本和音频,提供了一种隐蔽的替代方案,降低了被检测的风险。传统基于像素编辑的隐写方法易被隐写分析或压缩干扰所破译,而现有的生成式隐写技术多依赖针对性提示词或特定数据源,难以实现高泛化与灵活隐蔽。针对上述挑战,提出一种基于双扩散模型的未知源-目标域生成式图像隐写方法。该方法首先利用潜在扩散模型(latent diffusion model,LDM)对任意来源的秘密图像进行反演与重构优化,以获取高保真潜在表示。为了破坏LDM模型反演过程残留的结构信息对后续图像隐藏和提取的干扰,该方法提出了高斯结构重排对齐模块,通过伪随机正交扰动与空间重排对秘密图像潜在表示进行加密嵌入。该模块在保持秘密潜在表示的模长不变的同时,使其结构上更加服从高斯分布,对齐后续模块的输入,同时提高了安全性。最后,借助去噪扩散隐式模型(denoising diffusion implicit models,DDIM)对加密后的潜在表示进行去噪重采样,生成兼具目标域外观与秘密信息的含密图像。实验证明,所提方法无需针对特定源域训练,具备良好的跨域通用性;在4个公开数据集上,与多种对比方法相比,在秘密图像提取精度、含密图像不可感知度及抗隐写分析能力方面均取得了显著提升。
粒球生成是粒球计算中进行分类、聚类等学习任务的基础。然而,现有自适应粒球生成方法因随机选择粒球划分中心,引入了较大不确定性,导致粒球分类结果极不稳定。此外,基于k-division的自适应粒球生成方法需反复执行粒球重叠检测及去重叠操作,大幅增加了粒球迭代过程的计算复杂度,降低了粒球生成效率。针对上述问题,基于k-division自适应粒球划分思想,提出了一种稳定、加速的自适应粒球生成方法。一方面,该方法通过选取与数据簇中值向量差异最小的样本点作为划分中心,降低了对异常值和离群点的敏感性,能够提供更加稳健的集中趋势描述,并有效避免了因随机选择中心而导致的不一致性与不稳定性。另一方面,该方法引入了粒球覆盖率的概念并基于此提出新的自适应划分条件,替代了原始k-division自适应粒球生成方法中的最低质量下限以及重叠检测和去重叠机制,显著提升了粒球生成过程的效率。在标准数据集及包含不同比例噪声的数据集上的实验结果表明,与主流自适应粒球生成方法相比,所提方法在保持分类准确率的同时,展现了更强的稳定性和更高的效率。
在多智能体强化学习(multi-agent reinforcement learning,MARL)中,部分可观测性问题严重制约了智能体间的协作。尽管集中训练和分散执行(centralized training and decentralized execution,CTDE)范式通过在训练阶段引入全局状态缓解了该问题,但在执行阶段,智能体仍只能依赖局部观测。为进一步解决该限制,目前有2种方案:一种通过引入通信机制实现智能体间的信息共享,但会面临通信开销大、信息冗余等问题;另一种则通过掩码重建推理全局信息,但受限于样本稀疏性,重建信息仅来自于单一智能体的局部观测,导致重建精度低,可能会干扰决策。基于此,提出一种主动通信掩码重建方法。在集中训练阶段,该方法根据全局观测轨迹对智能体进行动态分组,并为每个智能体从各组中选取最相关的通信对象,进而在分散执行阶段,智能体依据通信对象集合进行主动通信,从而实现全局信息的准确重建,最终辅助智能体决策。通过在星际争霸多智能体挑战赛(StarCraftⅡ Multi-Agent Challenge,SMAC)上的一系列实验,证明了该方法在部分可观测场景下对提升多智能体系统协作与整体策略性能的有效性。
近年来,大语言模型(large language model,LLM)在多元时间序列预测中展现出潜力,但现有基于大语言模型的跨模态方法在少样本学习和长期预测中仍面临模态对齐不充分与泛化能力受限的挑战。为解决上述问题,提出一种集成动态注意力与层次蒸馏的增强式跨模态微调框架(enhanced cross-modal LLM fine-tuning,Enhanced CALF)。该框架首先构建动态注意力跨模态匹配模块,引入自适应权重生成与对齐度预测机制,能够依据数据分布特性与模态间关联强度,动态调整注意力权重分配,以提升跨模态特征对齐的精准度;其次,构建多层次知识蒸馏与对比学习模块,通过在Transformer各层级引入投影映射,并结合层级蒸馏损失与自适应温度对比损失,实现层次化的特征传递,涵盖从局部细节到整体语义的各个层面,以提升跨模态表示的一致性;最后,设计自适应对齐机制,通过模态间对齐度分数的量化评估,动态调整总损失函数的权重,从而优化模型训练过程。在7个真实数据集上的实验表明,Enhanced CALF在长期预测与少样本学习任务中优于现有基线模型。
编译器可能在编译过程中引入安全漏洞。这种编译器引入型漏洞比较隐蔽,会影响绝大多数重要的软件如操作系统内核、数据库、浏览器,有严重的安全风险。如今各类软件包括编译器都在快速地迭代更新,这意味着随时可能有新的漏洞被编译器引入重要的软件二进制代码。实证调研表明,这类漏洞往往在软件中存在较长时间才能被修复。因此,及时地检测到编译器新引入的漏洞对保障软件安全十分重要。学术界已经有不少检测编译器引入的安全漏洞的研究工作。但是现有的检测方法往往只能针对特定的已知的漏洞类型,并且难以高效地应对编译器和待测源程序的高频次更新。因此,提出了一种新的基于通用安全代码建模和差分测试的检测技术,可以高效地检测待测程序在版本(编译器或源代码)更新前后被编译器引入的安全漏洞。该方法基于错误处理函数来定位安全代码,并通过不同版本中安全代码被去除的差异来确定编译器引入的安全问题。基于Linux内核的评估实验表明,该方法具有较低的漏报率和满足实际可用性的误报率,可以高效检测到二进制代码版本更新时被编译器新引入的安全漏洞。