2月17日，在芯片领域奥林匹克会议ISSCC 2021上，信息与通信工程学院周军教授团队宣读了团队在人工智能芯片领域的最新工作BioAIP:A Reconfigurable Biomedical AI Processor with Adaptive Learning for Versatile Intelligent Health Monitoring。该论文是电子科技大学在人工智能芯片领域的第一篇ISSCC顶会论文。ISSCC是芯片领域的最顶尖会议，该论文被ISSCC处理器Session接收，该Session工业界参与程度很高，其他接收的论文分别来自三星、日立、瑞萨电子、联发科，加州大学伯克利分校等知名公司和高校。电子科技大学为该论文唯一单位，周军教授指导的博士生刘嘉豪为第一作者，周军教授为通讯作者，芯片设计团队共包含12位成员，芯片的前后端设计工作均在团队内完成。

　　未来可穿戴/植入式智能健康监测设备的一个核心模块是生理信号AI处理芯片。一方面，现有的通用AI处理芯片功耗一般在毫瓦级别，不适合超低功耗可穿戴/植入式健康监测。另一方面，已有的生理信号AI处理芯片只能支持单一的AI健康监测任务（如心电识别、癫痫检测、运动感知、情绪监测等）。此外，生理信号可能存在较大的病人间差异性(Patient-to-Patient Variation)，在实际应用中，预先训练好的生理信号AI分类算法可能对某些病人的识别准确率会大幅下降。为解决以上挑战，周军教授团队研发了一种超低功耗、可重构、支持自适应学习的生理信号AI处理芯片（名为BioAIP）。在该芯片中，研究人员设计了具有硬件重构能力的神经网络处理引擎，可以完成不同的神经网络结构计算，从而支持不同的生理信号AI处理算法。同时，设计了多种可灵活配置的生理信号处理引擎，如可配置滤波模块、峰值检测模块、信号分窗模块等，从而支持不同的生理信号预处理任务。二者相互结合，可用于多种不同的AI健康监测应用。在此基础上，还提出并实现了一系列超低功耗芯片设计技术，如事件驱动神经网络处理架构，片上数据近似压缩技术、神经网络/预处理引擎复用技术、自适应生理信号压缩技术等。在心电识别、癫痫检测、运动感知等多个AI健康监测任务中，达到了小于6微焦的极低分类能耗。另外，该研究针对生理信号病人间差异性，提出了一种低复杂度自适应学习技术，使得AI算法可以学习不同病人的生理信号特征，从而大幅提升准确率，又不增加太多功耗。该AI处理芯片可以用于多种可穿戴/植入式智能健康监测设备，具有广阔的应用前景。

? ?除该论文外，周军教授近期还指导英才学院本科生在电路与系统顶级期刊IEEE Transactions on Circuits and Systems – Part I (TCAS-I)发表了类脑处理器的工作。类脑处理器又被称为脉冲神经网络处理器，相对于传统人工智能芯片，类脑处理更接近人脑的真实运转机制，神经元只在激活时才发射脉冲，且仅在脉冲到来时才进行计算，从而进一步降低计算功耗，同时具备一定的无监督自学习能力，有希望成为下一代人工智能计算的方向。

周军教授团队主要研究面向智能感知终端的人工智能专用处理芯片设计，面向图像感知、可穿戴健康监测、声音感知、电磁感知等应用，通过芯片与算法协同设计，构建智能化、低功耗、微型化的软硬一体化智能感知解决方案。团队共有12名教师，包括5名教授/研究员（其中2位国家青年人才），5名副教授/副研究员，2名讲师/助理研究员，主持了国家重点研发计划项目、国家自然科学基金联合重点项目、国家自然科学基金面上项目等国家级项目，以及与商汤、华为、京东方等知名公司的横向合作项目，与商汤、Intel等人工智能领军企业建立了校企联合实验室，研究成果获得IEEE电路与系统学会论文奖、中国发明创新奖、中国产学研合作创新奖、吴文俊人工智能技术发明奖等。近年来指导学生多次获得中国研究生电子设计竞赛、中国研究生人工智能创新大赛、全国大学生FPGA创新设计竞赛等国家级重要竞赛的全国一等奖。

? 相关链接：

? ISSCC论文链接：http://isscc.org/program-2

? TCAS-I论文链接：https://ieeexplore.ieee.org/document/9336327