铠侠研发的PCIe 5.0光纤固态硬盘可在主机40米内运行，优化散热并提高数据中心设计的紧凑性。该技术通过光纤替代铜缆，降低能耗，支持更高密度的硬件配置。

SnapPix系统通过传感器内的模拟域压缩，解决了边缘计算中的能量有效图像采集问题。该系统与视觉模型共同设计，显著提升了视频识别和重建性能，能耗降低高达15.4倍。

本研究提出了一种新颖的水下图像增强算法UIE-SNN，基于脉冲神经网络，能耗降低85%，同时保持图像清晰度，为海洋自主视觉导航提供技术支持。

本研究提出了一种名为SLTNet的轻量级变压器网络，旨在解决人工神经网络在事件语义分割中的高计算和能耗问题。该方法通过高效的卷积和变压器结构，提高了语义特征提取效率，在DDD17和DSEC-Semantic数据集上性能提升超过7.30%，能耗降低5.48倍，显示出在边缘/mobile平台上的应用潜力。

本研究提出了一种基于共识的层剪枝方法，结合多个相似性指标，克服了单一标准的局限性，实现了78.80%的FLOPs减少，同时降低了能耗和碳排放，分别为66.99%和68.75%。

本文提出了一种基于忆阻器的深度神经网络（DNN）框架，结合权重修剪和量化，利用交替方向乘子法（ADMM）提升性能。该框架在VGG-16和ResNet-18上实现了显著的权重压缩和功耗降低，且精度损失极小。此外，研究探讨了混合精度训练方案和新算法“排序权重分区”（SWS），有效降低了能耗和计算成本，展示了在大型语言模型和计算机视觉中的应用潜力。

该研究探讨了多种深度学习优化技术，如GPipe、HierTrain和CoEdge，旨在提高边缘设备上的模型训练效率和资源利用率。提出的加速方案AccEPT和Galaxy系统通过动态拆分和混合并行方法，显著提升了训练速度并降低能耗，推动了可持续的边缘AI模型训练。

本文介绍了一种将深度神经网络转换为脉冲神经网络的通用方法，并探讨了在神经形态硬件上部署后的性能提升。研究表明，采用新技术后，功耗降低27倍，能耗降低5倍。通过优化多芯片网络和正则化方法，确保在降低功耗的同时保持高准确性，为高效机器学习应用提供了新思路。

本文提出了一种基于强化学习的硬件感知框架，通过修剪和量化自动压缩深度神经网络，实现了39%的能耗降低和仅1.7%的精度损失。该框架在嵌入式ARM处理器上显著优化了推理延迟，适用于资源有限的系统。

本文介绍了多种基于神经辐射场（NeRF）的方法，如脉冲神经元网络（SpikingNeRF）和稀疏姿态调整辐射场（SPARF），旨在提高3D场景重建和新视角合成的效率与质量。这些方法在不同真实世界条件下表现出色，降低了能耗，实现了实时渲染。

英伟达推出下一代Blackwell GPU，成本和能耗降低25倍，性能提升高达30倍。Blackwell GPU是推动新工业革命的引擎，有望在万亿参数大型语言模型上构建和运行实时生成人工智能。

本研究提出了一种新的聚类协议LEACH-RLC，通过混合整数线性规划和强化学习代理来降低能耗并提高网络性能。实验结果表明，LEACH-RLC相较于传统的LEACH和LEACH-C具有更好的性能，能够提高网络寿命、降低能源消耗和控制开销。该研究对于推动无线传感器网络的进步和解决物联网部署中的挑战具有重要贡献。

本文讨论了人工智能模型复杂度增加对计算资源需求的挑战，并提出了降低能耗、提高用户意识的解决方案。

介绍了HyGCN，一种基于混合架构的GCN加速器，利用两个处理引擎提高并行性，通过融合和内存访问协调优化系统，平均获得1509倍加速比，降低2500倍能耗和6.5倍加速比以及10倍能耗降低。