芯片領域奧林匹克會議ISSCC 2021上，電子科技大學信息與通信工程學院周軍教授團隊宣讀了團隊在人工智能芯片領域的最新工作BioAIP:AReconfigurable Biomedical AI Processor with Adaptive Learning for VersatileIntelligent Health Monitoring。

該論文是電子科技大學在人工智能芯片領域的第一篇ISSCC頂會論文。ISSCC是芯片領域的最頂尖會議，該論文被ISSCC處理器Session接收，該Session工業界參與程度很高，其他接收的論文分別來自三星、日立、瑞薩電子、聯發科，加州大學伯克利分校等知名公司和高校。

電子科技大學為該論文唯一單位，周軍教授指導的博士生劉嘉豪為第一作者，周軍教授為通訊作者，芯片設計團隊共包含12位成員，芯片的前后端設計工作均在團隊內完成。

未來可穿戴/植入式智能健康監測設備的一個核心模塊是生理信號AI處理芯片。一方面，現有的通用AI處理芯片功耗一般在毫瓦級別，不適合超低功耗可穿戴/植入式健康監測。另一方面，已有的生理信號AI處理芯片只能支持單一的AI健康監測任務（如心電識別、癲癇檢測、運動感知、情緒監測等）。

此外，生理信號可能存在較大的病人間差異性（Patient-to-Patient Variation），在實際應用中，預先訓練好的生理信號AI分類算法可能對某些病人的識別準確率會大幅下降。為解決以上挑戰，周軍教授團隊研發了一種超低功耗、可重構、支持自適應學習的生理信號AI處理芯片（名為BioAIP）。在該芯片中，研究人員設計了具有硬件重構能力的神經網絡處理引擎，可以完成不同的神經網絡結構計算，從而支持不同的生理信號AI處理算法。

同時，設計了多種可靈活配置的生理信號處理引擎，如可配置濾波模塊、峰值檢測模塊、信號分窗模塊等，從而支持不同的生理信號預處理任務。二者相互結合，可用于多種不同的AI健康監測應用。在此基礎上，還提出并實現了一系列超低功耗芯片設計技術，如事件驅動神經網絡處理架構，片上數據近似壓縮技術、神經網絡/預處理引擎復用技術、自適應生理信號壓縮技術等。在心電識別、癲癇檢測、運動感知等多個AI健康監測任務中，達到了小于6微焦的極低分類能耗。

另外，該研究針對生理信號病人間差異性，提出了一種低復雜度自適應學習技術，使得AI算法可以學習不同病人的生理信號特征，從而大幅提升準確率，又不增加太多功耗。該AI處理芯片可以用于多種可穿戴/植入式智能健康監測設備，具有廣闊的應用前景。

除該論文外，周軍教授近期還指導英才學院本科生在電路與系統頂級期刊IEEETransactions on Circuits and Systems – Part I （TCAS-I）發表了類腦處理器的工作。類腦處理器又被稱為脈沖神經網絡處理器，相對于傳統人工智能芯片，類腦處理更接近人腦的真實運轉機制，神經元只在激活時才發射脈沖，且僅在脈沖到來時才進行計算，從而進一步降低計算功耗，同時具備一定的無監督自學習能力，有希望成為下一代人工智能計算的方向。

周軍教授團隊主要研究面向智能感知終端的人工智能專用處理芯片設計，面向圖像感知、可穿戴健康監測、聲音感知、電磁感知等應用，通過芯片與算法協同設計，構建智能化、低功耗、微型化的軟硬一體化智能感知解決方案。團隊共有12名教師，包括5名教授/研究員（其中2位國家青年人才），5名副教授/副研究員，2名講師/助理研究員，主持了國家重點研發計劃項目、國家自然科學基金聯合重點項目、國家自然科學基金面上項目等國家級項目，以及與商湯、華為、京東方等知名公司的橫向合作項目，與商湯、Intel等人工智能領軍企業建立了校企聯合實驗室，研究成果獲得IEEE電路與系統學會論文獎、中國發明創新獎、中國產學研合作創新獎、吳文俊人工智能技術發明獎等。近年來指導學生多次獲得中國研究生電子設計競賽、中國研究生人工智能創新大賽、全國大學生FPGA創新設計競賽等國家級重要競賽的全國一等獎。

責任編輯：lq