近日，我院解光军教授、张章教授团队面向人工智能芯片设计领域取得系列新进展。相关研究成果分别发表于中科院一区期刊《Expert Systems with Applications》（第一作者：博士研究生蒲向荣）、集成电路领域顶级期刊《IEEE Transactions on Circuits and Systems I: Regular Papers》（TCAS-I）和《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》（TVLSI）（第一作者：青年教师张永亮博士），其中合肥工业大学为论文第一完成单位，张章教授为论文通讯作者。

ESWA: 面向可信安全：构建边缘终端硬件音频保护方案

人脑由大量神经元及其连接网络构成，神经元复杂的电活动是信息传递、学习与记忆的重要基础。忆阻器具有非线性、记忆性和低功耗等特性，可模拟生物突触并拓展神经元系统的动力学维度。针对传统混沌系统复杂性调控空间有限的问题，团队将双忆阻调控机制引入Rulkov神经元，构建具有多状态耦合特征的神经元网络，产生丰富的超混沌动力学行为，为高复杂度密钥流生成奠定动力学基础。在此基础上，团队利用音频特征驱动密钥动态更新，并通过异质分形矩阵将一维音频映射至高维张量域，形成密钥生成、张量级置乱与扩散深度耦合的一体化加密架构，在增强加密系统明文敏感性及抵御统计分析和差分攻击能力的同时，充分发挥高维分块结构的并行计算优势。系统验证表明，该方案兼顾安全性、处理效率与硬件可部署性，为资源受限AIoT边缘终端的实时音频隐私保护提供了可行的技术路径。该成果已在线发表于中科院一区期刊《Expert Systems with Applications》。

面向边缘终端的音频安全通信系统

TCAS1：基于分段稀疏二值网络的高能效手语识别加速器

为了进一步优化面向二值网络的手语识别硬件的能效，团队在二值网络算法上引入了通道级分段稀疏，通过设置通道级正负比例损失函数，在手语识别模型的训练过程中主动放大单一通道的+1或者-1的比例。当多个通道组合在一起时会呈现出一种新的非零稀疏性，并将其命名为分段稀疏性，对应的稀疏数据称为分段稀疏向量。在多个手语数据集上该模型输入特征图中实现85.52%-96.37%的稀疏占比。为了实现能效的优化，团队在硬件层面提出了三种优化电路：基于通道洗牌的CSR压缩电路，实现2.57-3.85×的压缩率，减少数据存储开销和访存次数；稀疏感知的值预测电路，实现85.52-96.37%的计算跳过；以及贪婪计算调度器，实现3.19-4.18x的计算延时优化。实验结果表明，该手语识别加速器推理延迟仅8.16-10.72us，功耗为3.082W，能效达到894.09-1174.56 GOPS/W。该成果已在线发表于集成电路领域顶级期刊IEEE Transactions on Circuits and Systems I: Regular Papers（TCAS-I）。

基于分段稀疏二值网络的高能效手语识别加速器

TVLSI: 基于分层自同构二值网络的手语识别芯片系统

针对二值化手语中相似图像带来的识别难度上升的问题，团队提出了分层自同构的二值网络模型，其参数量和计算量仅2.86 KB 和3.96 MOP，识别精度为95.8%。为了进一步提升识别手势识别精度，提出了保持纵横比的手势缩放算法和基于投票机制的精度补偿算法，实现识别精度提升1.3%。此外，在低功耗方面，采用超前边缘检测算法实现手势边缘的实时检测，将手势识别过程彻底隐藏于数据传输过程中，硬件以800kHz低频运行，大幅降低芯片功耗。最终，团队对基于分层自同构的手势识别模型进行硬件实现和芯片测试，芯片采用TSMC 28nm工艺节点进行制造。实验结果表明，基于分层自同构二值网络的手语识别芯片系统提供识别26种静态美国手语，识别精度达到95.8%，识别功耗仅45.2 𝜇W@0.6V，该成果已在线发表于国际著名期刊《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》（TVLSI）。

基于分层自同构二值网络的手语识别芯片系统

论文链接：

https://doi.org/10.1016/j.eswa.2026.134022

https://doi.org/10.1109/TCSI.2026.3708114

https://doi.org/10.1109/TVLSI.2026.3662773

（张章/文/图 刘梅/审核）