近三年主要论文
[1] Zi Yang, Haifeng Ding, Fei Liu, Yingying Cheng, Han Cheng, Zhilei Chai,Haojie Zhou. “[CIRBench: Evaluating Large Language Models as LLVM IR Optimizers](//openreview.net/forum?id=D1ahrfGJ5e&utm_source=chatgpt.com).” International Conference on Machine Learning (ICML), 2026.（Spotlight）
[2] Ning Wang, Zhanyang Liu, Taotao Zhou, Xinrui Zhang, Zongru Shao,Haojie Zhou. “[Self-Guided Alignment: Adaptive Preference Sensing for Multi-Objective Generation](//aclanthology.org/2026.acl-long.2184/?utm_source=chatgpt.com).” Annual Meeting of the Association for Computational Linguistics (ACL), 2026.（Long Paper）
[3] Yijie Zhu,Haojie Zhou, Wanting Hong, Tailin Liu, Ning Wang. “[REAP: Enhancing RAG with Recursive Evaluation and Adaptive Planning for Multi-Hop Question Answering](//ojs.aaai.org/index.php/AAAI/article/view/40830?utm_source=chatgpt.com).”AAAI Conference on Artificial Intelligence (AAAI), 2026.
[4] Wei Song, Mingshuo Song,Haojie Zhou, Xiaoyan Sun, Yaochu Jin, Songbai Liu, Qiuzhen Lin, Shengxiang Yang. “[Multipattern Learning and Collaboration-Based Evolutionary Optimizer for Large-Scale Multiobjective Optimization](//dblp.org/rec/journals/tsmc/SongSZSJLLY26).” IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2026.
[5] Xuanlong Wu,Haojie Zhou, Ning Wang, Junjie Xu, Zhikang Liu, Peng Gao. “[A DRL-Based Multi-Model Adaptive Inference Framework With Model Switching Overhead](//ieeexplore.ieee.org/abstract/document/11647089/?utm_source=chatgpt.com).” IEEE Internet of Things Journal, 2026.
[6] Zi Yang, Lei Qiu, Fang Lyu, Ming Zhong, Zhilei Chai,Haojie Zhou, Huimin Cui, Xiaobing Feng. “[IR-OptSet: An Optimization-Sensitive Dataset for Advancing LLM-Based IR Optimizer](//papers.nips.cc/paper_files/paper/2025/hash/a4ab7aefc004bed00e577164c57eafd7-Abstract-Datasets_and_Benchmarks_Track.html?utm_source=chatgpt.com).” Advances in Neural Information Processing Systems (NeurIPS), Datasets and Benchmarks Track, 2025.
[7] Ning Wang, Bingyang Wen, Minghui Wu, Yang Sun, Zongru Shao,Haojie Zhou, K. P. Subbalakshmi. “[Decoding Alzheimer’s: Interpretable Visual and Logical Attention in Picture Description Tasks](//www.isca-archive.org/interspeech_2025/wang25aa_interspeech.html?utm_source=chatgpt.com).” INTERSPEECH, 2025.
[8] Qin Wu, Dabin Zhang, Yuying Pan,Haojie Zhou. “[Center-Symmetry Representation-Based High-Quality Localization Detector for Oriented Object Detection](//ieeexplore.ieee.org/document/10938716/?utm_source=chatgpt.com).” IEEE Transactions on Geoscience and Remote Sensing, 2025.
[9]Haojie Zhou, Shunfei Liang, Chengze Li, Zhizhong Bai, Yicheng Feng, Ning Wang. “Conflict-Aware Pseudo-Labeling via Acoustic Signals for Multi-Task Speech Emotion Recognition.”INTERSPEECH, 2026.
培养方向
1、国产芯片软件栈与异构计算系统优化
核心问题： 面向国产CPU、DCU、NPU和FPGA等异构算力平台，解决计算框架生态不完善、软硬件接口不统一、系统资源利用率低以及模型部署迁移成本高等问题。
技术方法研究AI框架后端适配、异构计算运行时、设备与内存管理、并行执行与通信优化、任务调度、性能分析及软硬件系统集成等技术。
典型场景：国产AI芯片集群、超级计算平台、智算中心以及多种异构加速设备上的深度学习模型训练、推理与规模化部署。
学生收获：掌握从AI框架、异构计算运行时、并行通信到系统部署和性能分析的完整技术链路，具备国产算力平台适配和高性能智能计算系统研发能力。
适合基础：适合具有C/C++、Linux、操作系统、计算机体系结构、并行计算或分布式系统基础，并对AI系统和底层软件研发感兴趣的学生。
2、资源受限环境下的模型压缩与边缘智能推理
核心问题：在算力、存储、内存和能耗受限的条件下，实现人工智能模型的高精度、低时延和低功耗运行。
技术方法：研究模型剪枝、量化、知识蒸馏、轻量化网络、神经架构搜索及边缘推理加速等技术。
典型场景：嵌入式设备、移动终端、智能机器人、边缘服务器及特种装备。
学生收获：掌握模型轻量化、性能评测、边缘部署和软硬件联合优化的完整技术链路。
适合基础：适合熟悉Python、PyTorch、机器学习或计算机视觉，并对嵌入式系统和工程部署感兴趣的学生。
Jetson 4G~32G, 20TOps，270T ops，
Thur，64~128G， 1000~2000Tops， DGX Spark(128G)
3、大模型高效推理与服务优化
核心问题：降低大模型推理过程中的显存占用、计算成本和响应时延，同时提升系统吞吐率与服务稳定性。
技术方法：研究模型量化、KV Cache优化、投机解码、连续批处理、并行推理、模型路由及推理服务调度等技术。
典型场景：大模型私有化部署、多用户在线服务、行业知识问答、RAG系统及大模型推理平台。
学生收获：掌握Transformer模型原理、大模型推理引擎、分布式部署和高性能服务系统的研发能力。
适合基础：适合熟悉Python、PyTorch、深度学习和Linux，并对Transformer、分布式系统或性能优化感兴趣的学生。
4、AI编译器、自动代码生成与算子优化
核心问题： 研究如何将人工智能模型自动转换为面向不同芯片架构的高性能可执行代码，解决模型编译过程中跨硬件适配困难、算子实现效率低和人工优化成本高等问题。
技术方法：研究多层中间表示、计算图与程序分析、编译优化Pass、算子融合与切分、循环与访存优化、自动代码生成、算子调度、自动调优及基于大模型的编译优化等技术。
典型场景：面向CPU、GPU、DCU、NPU等平台的AI模型编译，开展编译器后端开发、高性能算子生成、算子库建设、指令级优化及模型迁移加速。
学生收获：掌握从模型表示、编译优化和代码生成到高性能算子实现的完整技术体系，具备开发编译优化Pass、自动代码生成工具、高性能算子及AI编译器工具链的能力。
适合基础： 适合具有C/C++、Python、数据结构、计算机体系结构或编译原理基础，并对程序优化、代码生成、深度学习系统及底层性能优化感兴趣的学生。
5、云边端协同计算与智能调度
核心问题：面向动态任务和异构资源，解决计算任务在云、边、端之间如何部署、迁移、协同和调度的问题。
技术方法：研究任务卸载、资源分配、模型选择、多目标优化、深度强化学习、排队模型及分布式调度等技术。
典型场景：工业互联网、智能驾驶、移动边缘计算、AIoT、特种装备及分布式智能服务。
学生收获：掌握分布式系统、智能优化、资源调度和云边端应用系统设计与实现能力。
适合基础：适合具有算法、计算机网络、操作系统、概率统计、优化方法或强化学习基础的学生。
6、多源异构数据智能分析与知识发现
核心问题：从规模大、来源多、结构复杂且存在噪声的行业数据中发现有效知识、异常行为和潜在风险。
技术方法：研究多源数据融合、特征表示、数据挖掘、图学习、异常检测、知识图谱、自然语言处理及大模型分析等技术。
典型场景：公共安全、工业运行监测、风险预警、社会网络分析、医疗健康及行业数据治理。
学生收获：掌握从数据治理、算法建模和知识发现到行业分析系统开发的完整实践能力。
适合基础：适合熟悉Python、数据库、概率统计、机器学习或自然语言处理，并对真实行业数据分析感兴趣的学生。
