本研究提出了一种名为Snowflake的编译器和定制硬件加速器，旨在优化卷积神经网络的性能，成功执行了AlexNet和ResNet18的推理任务。同时，介绍了TensorFlow Lite Micro框架，以解决嵌入式系统的资源限制问题。研究还探讨了TinyML和大型语言模型的部署技术，并提出了优化方法以提高能效和性能。

本文探讨了联邦边缘学习（FEEL）框架，强调数据隐私保护和能效优化。通过在边缘设备上进行本地模型训练，提出了节能策略和带宽分配方法，以提高学习性能和资源利用率。研究表明，优化策略能有效提升弱信道设备的同步更新和整体能效。

该文综述以内存为中心的计算系统，探讨存内计算（PIM）架构如何缓解处理器内存访问瓶颈与能耗问题，并评估其在机器学习训练中的潜力。研究提出NicePIM优化方案、记忆层图神经网络、故障感知框架FARe及轻量级算子Epitome等。实验表明，PIM在吞吐量、能效和准确率上优于传统CPU和GPU，可应用于边缘计算与可持续计算。

本文综述边缘计算中深度学习推理的优化研究，涵盖计算卸载、模型剪枝、边缘-云端分区与特征编码、能量收割与多MEC卸载、联合边缘智能框架、Edgent协作推理、协作智能架构、混合DNN隐私保护及边缘设备能耗特征分析。

该文汇总多项光子神经网络加速器研究，包括可重构微环CNN加速器、毫米波天线阵列强化学习优化、微环谐振器储备池计算物理效应分析，以及HEANA混合模拟光学加速器、光学随机计算加速器、M3ICRO可编程光子张量芯片、抗噪硅光加速器、基于RNS的Mirage训练加速器和模拟ReRAM跨栅设计，这些研究均显著提升了速度与能效。

该文综述了提升深度神经网络硬件可靠性的多种方案：差分映射与负载裁剪能以零额外成本容忍近一个数量级的故障率；贝叶斯优化与dropout可增强抗权重漂移能力；重设计、重训练等三种零成本方案可提高瞬态故障下的可靠性；FARe框架在故障ReRAM上仅增加约1%时间开销，并将GNN测试准确率提高47.6%；NeuralFuse通过学习输入变换将内存访问能耗降低2.7至5倍，同时提升57%的准确率；查找表故障感知量化能以低成本减少永久故障影响；权重重参数化可缩小Transformer编码器；模拟ReRAM跨栅矩阵运算具有更高能效。

综述多项研究表明，强化学习（包括Q学习、深度Q网络、深度强化学习、迁移学习和分层强化学习）用于暖通空调与制冷系统控制，可提升能效、降低成本并改善温度控制与热舒适。研究内容涵盖超参数与奖励调节、拆分神经网络控制器以缩短训练时间、低复杂度多输入多输出结构、工业冷却系统的安全边界控制、与规则控制器相比接近最优的性能、谷歌数据中心实测约9%和13%的节能效果，以及智能电网在线调度和多区域需求响应等。

该研究利用强化学习方法优化地铁系统能效，实验结果显示该方法性能更佳，可降低能耗和提高能量利用率，提供城市铁路交通节能解决方案。