中央处理器是目前最重要的算力基础设施. 为了最大化收益,架构师在设计处理器微架构时需要权衡性能、功耗、面积等多个目标. 但处理器运行负载的指令多,单个微架构设计点的评估耗时从10 min到数十小时不等. 加之微架构设计空间巨大,全设计空间暴力搜索难以实现. 近些年来许多机器学习辅助的设计空间探索加速方法被提出,以减少需要探索的设计空间或加速设计点的评估,但缺少对加速方法的全面调研和系统分类的综述. 对处理器微架构设计空间探索的加速方法进行系统总结及分类,包含软件设计空间的负载选择、负载指令的部分模拟、设计点选择、模拟工具、性能模型5类加速方法. 对比了各加速方法内文献的异同,覆盖了从软件选择到硬件设计的完整探索流程. 最后对该领域的前沿研究方向进行了总结,并放眼于未来的发展趋势.

向量处理单元（vector processing unit, VPU）已被广泛应用于神经网络、信号处理和高性能计算等处理器设计中,但其总体性能仍受限于专门用于对齐数据的混洗操作. 传统上,处理器使用其数据混洗单元来处理混洗操作. 然而,使用数据混洗单元来处理混洗指令将带来昂贵的数据移动开销,并且数据混洗单元只能串行混洗数据. 事实上,混洗操作只会改变数据的布局,理想情况下混洗操作应在内存中完成. 随着存内计算技术的发展,SRAM不仅可以作为存储部件,同时还能作为计算单元. 为了实现存内混洗,提出了混洗SRAM,它可以在SRAM体中逐位地并行混洗多个向量. 混洗SRAM的关键思想是利用SRAM体中位线的数据移动能力来改变数据的布局. 这样SRAM体中位于同一位线上不同数据的相同位可以同时被移动,从而使混洗操作拥有高度的并行性. 通过适当的数据布局和向量混洗扩展指令的支持,混洗SRAM可以高效地处理常用的混洗操作. 评测结果表明,对于常用的混洗操作,混洗SRAM可以实现平均28倍的性能增益,对于FFT,AlexNet,VggNet等实际的应用,可以实现平均3.18倍的性能增益. 混洗SRAM相较于传统SRAM的面积开销仅增加了4.4%.

关键性能指标（key performance indicator,KPI）异常检测技术是互联网服务智能运维的基础支撑技术. 为了提升KPI异常检测的效率与准确性,基于机器学习的KPI异常检测技术成为近年来学术界与工业界的研究热点. 在综合分析相关研究的基础上,给出了面向互联网服务的KPI异常检测技术框架. 然后,分别针对单变量KPI、多变量KPI和矩阵变量KPI,从挖掘KPI在不同维度域（时间域、度量域、实体域）的依赖模式的角度出发,探讨了用于KPI异常检测的机器学习模型的选择动机. 进一步地,以检测性能目标为导向,详细介绍了以准确性目标为核心的KPI异常检测技术（关注如何提升KPI异常检测模型的准确性）和以多目标平衡为核心的KPI异常检测技术（关注如何平衡理论性能与实际应用目标间的关系）. 最后,梳理了基于机器学习的KPI异常检测技术在KPI监控及预处理、模型通用性、模型可解释性、异常告警管理以及KPI异常检测任务自身局限性5个方面的挑战,同时指出了与之对应的潜在研究方向.

基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割. 但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳. 已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确. 对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M (contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度. 在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息. CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误. 在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.