明天在西湖边举行的这场高级别会议，国际专家学者齐聚！关键词：人工智能、芯片、机器学习……

人工智能正在推动一场技术革命，包括制造、汽车、医疗、机器人、娱乐等领域。在这场革命中，需要新的计算平台来支持新兴人工智能算法和应用，从云服务器到边缘设备、从系统级到电路级。

明天开始，为期3天的第五届IEEE人工智能电路与系统国际会议（IEEE International Conference on Artificial Intelligence Circuits and Systems, IEEE AICAS 2023）将在杭州举行，由西湖大学承办。

这是IEEE电路与系统协会（Circuits and Systems Society）旗下、全球知名的人工智能电路与系统设计会议，也是该领域最受好评的年度会议之一。

本次会议以特邀演讲和论文展示为特色，将从AI芯片和算法设计、神经形态电路、智能生物医疗传感器和学习算法等方面展开探讨。

国际著名智慧生物医疗器械领域科学家、加拿大皇家学会院士Mohamad Sawan，国际微电子学与固体电子学专家，国际欧亚科学院院士魏少军将共同担任本次大会主席。

相关领域的学术界和工业界研究人员将共聚西子湖畔，交流经验、展示最新研究成果，并推进人工智能技术的进步。

会议时间：

6月11日-13日

会议主题：

AI电路和系统；深度学习/机器学习/人工智能算法；AI计算体系结构；AI系统的软硬件协同设计和设计自动化；先进神经网络设计；神经形态电路、处理器和系统及其应用；新兴应用：物联网、医疗保健、智能工厂、环境；AI新兴设备和材料；计算机视觉算法和体系结构；推荐系统、语言/文本处理；自动/无人驾驶车辆和无人驾驶飞机；机器人与自动化；元宇宙和AR/VR；面向未来无线通信的深度学习/机器学习。

（更多主题详见官网：https://www.aicas2023.org/）

会议议程：

演讲嘉宾： 

1. Moncef Gabbouj教授（坦佩雷大学，芬兰）

《超级神经元模型 - 基于ANN的新一代机器学习及其应用》

摘要：运算神经网络 （ONNs）是新一代的网络模型，旨在解决传统的卷积神经网络（CNN）的两个主要缺点：同质的网络配置和只能对前一层输出进行线性转换"的线性 "神经元模型。

ONNs可以通过“节点”和“池”运算符的适当组合来执行任何线性或非线性变换。这对于提升CNN神经元学习能力是一个巨大的飞跃。到目前为止，CNN需要对每个神经元的所有突触连接使用一个节点算子。最近，这一研究瓶颈被打破。研究人员通过引入一种称为“生成神经元”的高级神经元，使每个节点算子能在训练中被定制，以最大限度地提高学习能力。因此，该网络能够自我组织其神经元连接的节点运算器。配备了超级生成神经元的自组织ONNs（Self-ONNs）即使在紧凑的构架下也能实现多样性。在演讲者中，我们将对配备了高级神经元的神经网络模型的几个信号处理应用进行了探讨。 

2. Giacomo Indiveri 教授（苏黎世联邦理工大学，瑞士）

《仿生智能：用于实时信号处理的混合信号模拟/数字实现的脉冲神经网络》

摘要：人工智能神经网络和机器学习推理加速器代表了一种可以用于解决众多复杂任务的成功技术。然而，当涉及到需要与环境产生快速实时互动时，这些系统仍然无法与他们生物对应物的性能和效率相媲美。其中一个潜在原因是，神经系统所使用的计算原理与传统的时间复用计算系统所使用的计算原理之间存在差异。在本次讲座中，我将介绍神经形态电子电路，它通过直接模拟动物大脑中使用的计算物理学来建立神经处理系统，该系统使用基于脉冲的表征和大脑启发的适应和学习机制。除此之外，我将展示如何通过将这些电路与异步数字逻辑电路相结合来构建大规模的多核架构，并将列举一些完美契合现实世界的用于感觉处理边缘的芯片。 

3. 杨玉超教授（北京大学，中国）

《集成忆阻器用于更高复杂度的类脑计算》

摘要：随着摩尔定律的减慢和内存密集型任务的盛行，数字计算变得越来越受容量和功率的限制。为了满足后摩尔时代对提高计算能力和效率的要求，新兴的计算架构，如基于记忆体的内存计算和神经形态计算架构，已被广泛研究，并成为新一代非冯·诺伊曼计算机的重要替代选项。自从2008年将理论上的记忆体概念与电阻开关器件联系起来后，它们在记忆体和计算系统中的应用已经取得了巨大的进展。在此，我们提出了一个光电突触，它在电和光的刺激下具有可控的时间动力。突触中铁电和光电过程之间的紧密耦合有助于实现异突触可塑性，其松弛时间尺度可通过光强度或背门电压进行调节。除此之外，我们利用突触创建了一个具有可调节的非线性转换和多感官融合的多模式存储计算系统，并通过多模式手写数字识别任务和二维码识别任务加以证明。我们还通过可调控的松弛时间尺度实现了一个多尺度的储能器计算系统，该系统通过一个时间信号预测任务进行了测试。