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。

本研究提出了一种提高移动用户进行同时传输和反射的可重构智能表面（STAR-RIS）能量效率和公平性的方法。通过引入次表面分配变量来确定分配给每个用户的STAR-RIS元素的数量，并利用深度强化学习技术解决优化问题。实验结果表明，该方法能够在能量高效的条件下，为传输和反射空间中的所有用户实现相当高且近乎相等的数据速率。

该研究总结了在资源受限的安全关键系统中部署神经网络所面临的挑战，并提出了解决方案。通过使用计算内存和阻性非挥发性存储器来降低不确定性，采用问题感知训练算法、新颖的神经网络拓扑结构和硬件协同设计，实现了异常数据检测、推理准确性和能量效率的提高。

本文调查了大规模神经网络训练的实际能耗，并介绍了BUTTER-E数据集。研究分析了数据集大小、网络结构和能量消耗之间的复杂关系，并提出了一个能量模型。文章挑战了参数或FLOP减少是实现更高能效的最佳方法的假设，并建议在网络、算法和硬件设计上采用综合方法来实现能量效率。