信息学院本科生在电路与系统领域发表研究成果

金沙集团1862cc积极鼓励本科生走进实验室、参与科学研究，这一创新举措从建校之初延续至今。近年来，本科生屡屡发表高质量的论文，捷报频传。近期，信息学院娄鑫教授课题组本科生的多项成果在国际知名学术会议上发表。

低延迟高吞吐量多精度浮点除法与开方运算单元设计

在目前的处理器中，浮点运算单元（FPU）负责执行浮点计算。以往的FPU设计倾向于高估误差以确保准确性，并且缺乏对硬件复用方面的优化。本科生戴良韬、朱昊骋在电路设计上不断创新，采用前沿的误差分析方法，在保证精确的前提下，成功设计出了更高性能的多精度浮点除法与开方运算单元。验证结果表明，研究成果不仅在性能上优于现有的FPU设计，而且通过集成多种精度的除法与开方运算实现了显著的硬件复用。

该研究成果以题为“Low-latency High-throughput Multi-precision Fused Floating-point Division and Square-root Unit Design”发表在国际会议 IEEE International VLSI Symposium on Technology, systems and Applications上。信息学院2020级本科生戴良韬、2021级本科生朱昊骋为论文的共同第一作者，娄鑫教授为通讯作者。信息学院2021级本科生杨超也参与了此项工作。

图|朱昊骋在实验室进行科研工作

“课题组里的学长们非常nice，教会了我许多，我无比感谢他们对我的帮助。”朱昊骋说道，“另外，我们课题组里有三名21级的同学，我们平时也会互相鼓励，互相鞭策，交流在学习和生活中遇到的困难，这对度过学业和科研中的低谷期非常重要。”

基于密度估计方法的神经渲染高效采样策略

神经渲染技术是神经辐射场（NeRF）基础框架的延伸，在三维重建和渲染领域有着广泛的应用。尽管研究人员从各个角度尝试加速原始 NeRF，但许多神经渲染算法中的光线行进过程仍是性能瓶颈，制约了其渲染速度。为解决这一问题，本科生贺云翔尝试引入了一种基于密度估计的有效采样创新方法。评估和分析结果验证了方法的有效性。该方法在不影响渲染质量的前提下有效减少了所需的占用网格访问次数，可显著提高渲染效率。

图|贺云翔在实验室在实验室进行科研工作

该项成果以“Density Estimation-based Effective Sampling Strategy for Neural Rendering”为题发表在国际知名会议IEEE International Symposium on Circuits and Systems 上。信息学院2021级本科生贺云翔为论文的第一作者，娄鑫教授为通讯作者。

贺云翔表示，这篇论文最初的思路是源自于机器学习引论课程的Project。“在复习的时候，我盯着这个密度估计的公式，突然觉得它完全可以用来解决之前我和学长们苦恼已久的采样效率问题。当时，我在期末报告里只是简单的描述了一些定性的分析，随后通过设计和补充实验，逐步验证了我的想法“。他说，”这并不是一个很大的创新，但小而实用的新设计也不失为一种有意义的探索。”

事实上，以第一作者身份发表论文绝非是一朝一夕就能完成的事。贺云翔大一就申请加入了娄鑫教授的课题组，以参与者的身份在IEEE TCASI，CICC等知名学术会议和期刊上发表论文。他还回忆起第一次参与科研工作的那个寒假，协助课题组学长学姐进行模型多精度量化的验证工作。他说，”刚上手时，我连运行环境都配置不好，运行一次代码都几经波折，然后不断地摸索，不断地改进。经过这次工作之后，我才逐渐掌握了独自设计和完成一个项目所需要的基本能力。虽然花费了很多时间，但对我的个人成长确实很有意义，课题组的老师和前辈也给了我很多鼓励和关爱。”

信息学院很多本科课程都会设置项目型“大作业”，通过阅读最新的学术论文，将前沿的研究成果引入课堂，实现教学、科研相结合，鼓励学生们进行探索，也为有志于继续科研的同学奠定了实践基础。