边缘嵌入式设备神经形态机器学习
Neuromorphic Machine Learning for Embedded Devices at the Edge
申请要求（为空则代表无要求）
雅思：
托福：
留学费用：84000GBP/年
边缘嵌入式设备神经形态机器学习项目简介
最近人工智能领域的大部分引人注目的进展都发生在云系统中，那里内存、计算和能源资源丰富。但许多最令人兴奋的机器学习应用是在边缘，例如无人机中的计算机视觉、视网膜相机中的事件处理或可穿戴设备中的生物医学信号分析等应用需要对传感器数据流进行实时分类。边缘内存、计算和能源资源的稀缺性使得这些设计问题变得引人注目，其中成本与准确性同等重要。边缘机器学习通常通过量化、压缩或近似云规模方法来降低成本，通常会降低一些准确性。虽然这显然非常方便，但尚不清楚这是否能带来最佳解决方案。例如，众所周知，数据移动在机器学习工作负载的时间和能源成本中占主导地位，但神经网络严重依赖于在神经元层之间移动大量数据或存储和检索权重。云规模算法是否与边缘设备的限制根本不匹配？其他鲜为人知的机器学习方法能否产生更好的结果？例如，生物学上合理的神经形态算法可以实现非常低成本的机器学习。然而，我们工程设计此类系统并控制其成本的能力远不如传统方法发达。本项目旨在解决这一不足，实现数字（嵌入式软件或可编程逻辑）边缘设备上机器学习新算法的工程化。本项目将考虑替代的机器学习算法和加速器是否不仅能超越传统的云规模方法，而且可以完全自动化创建。这些将应用于软件或可编程逻辑中机器学习内核的设计，包括最先进的基准测试操作以及上述实际应用。本项目的具体目标是：1. 熟悉新型神经形态机器学习方法，特别关注数字（软件或可编程硬件）嵌入式目标。2. 为一组测试应用手工制作新型机器学习内核。3. 使用最先进的遗传进化工具来理解推导传统机器学习内核的过程，观察其性能和成本。4. 批判性地比较和对比使用传统和新型内核创建的加速器的性能和成本。5. 设计可能通过遗传进化推导出的新型混合传统/神经形态机器学习方法。6. 使用您的进化方法自动创建嵌入式硬件的加速器，进行性能和成本基准测试。7. 在该领域的领先国际期刊和会议上展示您的工作。
项目学术背景与核心优势
贝尔法斯特女王大学在电子工程与计算机科学领域拥有悠久的学术传统，其所属的School of Electronics, Electrical Engineering and Computer Science长期聚焦于硬件架构与算法设计的交叉研究。边缘嵌入式设备神经形态机器学习这一方向，正是将该校在低功耗芯片设计、脉冲神经网络理论以及实时数据处理方面的积累进行有机整合。该硕士项目通过跨学科课程设计，帮助学生构建从底层器件原理到高层模型部署的完整知识链条，使毕业生能够理解如何让有限资源设备高效运行类脑计算模型。贝尔法斯特女王大学在嵌入式系统安全与可靠性方面的研究积淀，也为该项目提供了独特的工程视角。
核心知识模块与培养方向
该项目的培养重心在于提升学生的专业素养与实操能力。课程体系通常围绕以下核心方向构建：
- 神经形态计算基础：涵盖脉冲神经网络与突触可塑性模型，用于开发低功耗、事件驱动的边缘推理方案。
- 嵌入式系统优化技术：涉及硬件资源约束下的模型压缩与量化方法，支持在微控制器级设备上部署轻量级网络。
- 传感器数据实时处理：融合信号处理与在线学习算法，用于智能穿戴或工业物联网场景中的自适应感知。
毕业生职业发展路径
结合边缘智能与类脑芯片的行业态势，该专业的毕业生具备较强的专业壁垒，适合在以下领域发展：
- 边缘计算算法工程师：负责在资源受限的嵌入式平台上设计并优化神经形态推理引擎，实现低延迟响应。
- 嵌入式系统架构师：主导从传感器选型到片上网络通信的整体方案，确保系统能耗与实时性能平衡。
- 类脑芯片应用研究员：参与新型神经形态处理器的算法验证与基准测试，推动脉冲神经网络在工业检测中的应用落地。
常见申请疑问解答
针对跨专业申请者，该方向通常要求申请人具备扎实的底层逻辑。如果能在先修课程或实践经历中展现出对计算机科学的基础认知与分析能力，将有效弥补专业背景的不足。
在语言与学术准备方面，由于该项目涉及大量的专业文献阅读与学术对话，申请人需具备较强的学术英语理解能力。提前熟悉相关的研究方法或底层分析工具，将为后续高强度的专业学习打下坚实基础。