香港科技大学（广州）全奖博士项目（Bojun CHENG教授）

一、导师简介

Bojun CHENG（程伯骏）现任Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））功能枢纽微电子学领域助理教授（Assistant Professor），是微处理器与类脑计算领域的青年学者。其学术履历兼具顶尖院校积淀与前沿研究视野，2012年获University of Science and Technology of China（中国科学技术大学）少年班学院学士学位，2021年于ETH Zurich（苏黎世联邦理工学院）取得电子工程与信息技术博士学位，博士阶段师从国际知名学者Juerg Leuthold教授。

目前，Bojun CHENG的研究聚焦三大核心方向，均紧扣微电子与人工智能交叉领域的技术痛点：一是memristive computing devices（忆阻计算器件），这类新型器件通过电阻态变化实现数据存储与计算融合，被视为突破传统芯片性能瓶颈的关键；二是neuromorphic in-memory computing circuits and algorithms（神经形态内存计算电路与算法），该方向模拟人脑神经元工作模式，解决传统计算中“存储-计算分离”导致的能耗问题；三是event-based sensor and applications（事件相机及应用），事件相机仅捕捉场景中亮度变化的“事件点”，相比传统相机具有低延迟、高动态范围优势，在机器人、自动驾驶等领域应用潜力巨大。

从学术产出看，Bojun CHENG已发表论文58篇，其中2024年单年发表15篇，涵盖IEEE Transactions on Circuits and Systems I: Regular Papers、ACS Nano等顶刊及ICLR、CVPR等顶会，显示出强劲的研究活力与学术影响力。

二、近期文章和项目解析

2024年是Bojun CHENG团队成果爆发期，核心研究围绕“计算效率提升”与“新型传感-计算融合”展开，以下结合行业趋势解读代表性成果：

1. 计算内存（Computing-In-Memory, CIM）处理器系列研究

该方向3篇成果发表于IEEE Transactions on Circuits and Systems I: Regular Papers（微电子领域顶刊，影响因子8.1），聚焦RISC-V架构与内存计算的融合创新，呼应了当前MCU（微控制器）“拥抱RISC-V开源架构”的行业趋势。

· PipeCIM：提出“嵌套流水线+RISC-V扩展指令”的高吞吐量计算内存微处理器。传统CIM架构易出现数据拥堵，该研究通过流水线嵌套设计，将数据处理链路拆解为并行子任务，配合定制RISC-V指令减少指令周期。文章数据显示，其吞吐量较传统架构提升30%以上，为边缘AI设备提供了高能效计算方案——这与边缘AI“需兼顾算力与续航”的需求高度契合。

· DS-CIM：40nm工艺下的异步双脉冲驱动MRAM（磁随机存储器）计算内存宏单元。MRAM作为新型非易失性存储器，具有写入速度快、耐久性高的优势，已被恩智浦、瑞萨等企业应用于车规级MCU。该研究将MRAM与脉冲神经网络结合，通过异步电路设计降低时钟信号损耗，在手写数字识别任务中，能效比优于传统SRAM-based方案4倍，为车载、工业控制等强实时场景提供了新选择。

· RDCIM：全数字架构的RISC-V计算内存处理器，核心突破在于“低面积开销”。传统CIM常依赖模拟电路导致芯片面积增大，该研究采用全数字信号处理，将计算单元与存储单元紧凑集成，面积开销降低25%，同时保持1.2TOPS/W的高能效，符合消费电子“小型化、低功耗”的发展方向。

2. 事件相机技术与应用

4篇成果发表于ICLR 2024、CVPR 2024等顶会，解决了事件相机数据“稀疏、异步”导致的处理难题，推动其从实验室走向实际应用。

· Spikepoint（ICLR 2024）：提出基于点云的脉冲神经网络用于事件相机动作识别。事件相机输出的“事件流”难以用传统CNN处理，该研究将事件点转化为三维点云，通过脉冲神经元的时间编码特性捕捉动作时序信息，在UCF101数据集上准确率达89.2%，较传统方法提升5.7%，为机器人实时动作感知提供了可能。

· A Simple and Effective Point-Based Network（CVPR 2024）：针对事件相机6自由度位姿重定位问题，设计轻量化点云网络。位姿重定位是自动驾驶、AR的核心技术，该方法摒弃复杂特征提取，直接利用事件点的空间分布计算位姿，推理速度达30fps，满足实时需求，且在光照突变场景下鲁棒性优于传统视觉方案。

3. 忆阻器件与类脑计算

发表于ACS Nano（影响因子18.0）的Self-Induced Light Emission in Solid-State Memristors，首次发现忆阻器的自发光现象可模拟神经元生物光子信号。神经元通过生物光子传递信息的机制一直是神经科学热点，该研究将忆阻器发光强度与电阻态关联，实现了“电-光-电”的信号转换，为开发新型类脑芯片提供了生物启发思路——未来有望构建兼具电信号速度与光信号并行性的计算系统。

三、未来研究预测

结合Bojun CHENG的研究积累与微电子行业趋势（边缘AI、具身智能、RISC-V普及），其团队未来研究将呈现三大方向：

1. 传感-计算-存储一体化系统：事件相机的低延迟特性与CIM架构的高能效优势将深度融合，针对人形机器人关节控制、工业传感器网络等场景，开发“事件捕捉-本地计算-数据存储”一体化芯片。参考兆易创新数据，一个人形机器人需30+ MCU，这类一体化系统可将关节传感器数据直接输入CIM单元处理，降低通信延迟50%以上。

2. RISC-V定制化类脑处理器：基于现有RISC-V扩展指令研究，进一步开发面向脉冲神经网络的专用指令集。随着东风汽车、紫荆半导体等企业推动RISC-V车规MCU量产，该方向研究将获得明确产业落地场景，尤其在车载智能驾驶辅助系统（ADAS）中，可实现类脑决策与传统控制的协同。

3. 忆阻器件的多模态应用：基于忆阻器的电-光转换特性，拓展至生物医疗、光通信领域。例如，开发忆阻基神经信号探测器，同时捕捉神经元的电活动与生物光子信号；或利用忆阻器发光特性构建短距离光通信节点，满足边缘设备的高速数据交互需求。

对于申请全奖博士的学生，具备微电子电路设计、Python/C++编程、机器学习基础，或熟悉Verilog硬件描述语言者将更具优势，研究将聚焦具体场景的芯片原型开发与算法优化，成果兼具学术价值与产业潜力。