随着万物智联时代的到来，自动驾驶、智慧城市等典型边缘计算场景所面临的任务越来越多地呈现出计算特征多样化、实时性要求高且多领域融合的特点，这对边缘计算系统的灵活性和实时性都提出了巨大的挑战，现有系统难以高效应对。

中国科学院计算技术研究所叶笑春研究员带领的合作团队对可重构边缘计算系统关键技术开展研究，重点从架构、算子和算法等方面开展协同优化。首先，针对边缘场景的多领域融合处理需求，团队提出了异构融合数据流处理架构，以解耦合的新型数据流模型作为多领域场景算法的统一抽象执行模型，实现以数据驱动的高效异构融合计算架构。可支持数字信号处理、人工智能、视频处理等场景算法的高效融合执行，满足高并发、强实时和可重构计算需求。其次，针对核心算子的协同优化，研究提出了二阶稀疏计算过滤机制，从指令块以及指令等多个层次对无效计算进行过滤，显著提高了神经网络的边缘推理性能和整体能效表现。最后，研究团队还针对典型算法进行了设计优化，包括设计新型图神经网络以减少对边缘端计算量的需求，提出动态调整学习策略以解决边缘端采集的多源数据存在覆盖不平衡的问题，使数据处理更加均衡，进而提升整体性能等。

相关研究工作应用于自动驾驶、智慧城市等边缘智能处理场景，显著提升了处理效率，满足了边缘计算场景的高能效实时计算需求。

相关工作连续发表在计算机领域顶级国际期刊/会议ACM TACO 2024、IEEE TCSVT 2023、IEEE TPDS 2023、AAAI 2023上。研究工作得到国家重点研发计划、国家自然科学基金和中国科学院国际伙伴计划项目的支持。

论文链接：https://dl.acm.org/doi/10.1145/3637906

          https://ieeexplore.ieee.org/document/10364740