本研究提出了一种紧凑的递归脉冲神经网络架构，针对边缘设备的语音识别加速器进行超低功耗设计。通过算法与硬件优化，功耗降至71.2μW，实现实时处理，显著提升能量与面积效率。

本文介绍了一种新型加速器，能够在1.2V下实现1510 GOp/s的运算速度，0.6V下功耗为895 μW，显著提高了能量和面积效率。同时，提出了FixyNN方案、FracBNN模型和MHFC算法，分别针对特征提取、少样本学习和数据稀缺问题进行了优化，提升了分类性能。此外，文中还介绍了超高维计算系统和PhotoHDC电光子加速器，展示了其在分类任务中的应用潜力。

本文介绍了多种基于深度强化学习的优化方法，包括LoopTune编译器、Mind Mappings搜索方法、QuantTune微调技术和AutoCkt框架，旨在提升深度学习模型和电路设计的性能，优化计算速度、能量效率和设计流程。

本文研究了可重构智能表面（RIS）在多用户通信中的应用，提出了优化算法以提高能量效率和降低发射功率。通过深度强化学习和非凸优化，解决了资源分配和相位控制问题，实验结果表明该方法显著提升了网络性能。

本文研究毫米波系统中的波束对准和能量效率问题，提出了一种优化算法以降低能耗。通过多智能体强化学习算法，优化多基站的能耗和服务质量，仿真结果表明该算法在低流量和高流量情况下均表现优越。此外，研究探讨了5G技术在降低能耗方面的关键技术，强调未来绿色网络的研究需求。