AI 硬件

TranSAGE 较商业 GPU/NPU 基线吞吐最高提升 2.41 倍、能效最高提升 13.04 倍

自动生成空间加速器与 RTL，降低大型 Transformer 加速器设计成本；开源代码便于复现，对芯片架构与编译优化有参考意义。

提出多目标 RL 生成 Pareto 最优 RTL 电路，相对 Hypervolume 提升 +13.3 与 +14.4 个百分点

让 LLM 生成 RTL 电路不只优化单一质量，而是优化整组候选的 Pareto 质量与多样性，供设计者按功耗/性能/面积需求事后选择。

量化点积重构：乘法次数最多 $2^k$，推出 SA-PE

提出 scatter-accumulate 处理单元，乘法器共享时能降能耗并缩小权值存储；对低比特推理加速器设计有参考价值。

LEAF 用 LUT 感知训练在 FPGA 实现纳秒级 Attention

为超低延迟实时场景提供 FPGA 原生 Transformer 推理路线，值得评估硬件加速与边缘部署。

FIGFLEX 在 LLaMA-2-7B 上 3-bit 困惑度 5.85，吞吐/面积高 1.56x

针对低比特量化“省内存不省计算”问题，算法-硬件协同设计提升了精度灵活性与吞吐，对 LLM 推理硬件设计有参考价值。

共享DRAM的GPU+近存处理架构优化prefill-decode分离

针对PD分离中预填充带宽闲置、解码算力闲置的错配，探索GPU与PNM协同提升利用率。