项目介绍
Dr. Han 现任麻省理工学院 (MIT) 电气工程与计算机科学系终身副教授。他在斯坦福大学 (Stanford) 获得博士学位，师从Bill Dally教授。他开创了高效AI计算技术，包括“深度压缩”(剪枝、量化)和“高效推理引擎”。该工作首次将权重稀疏性引入现代AI芯片，使其成为ISCA五十年历史上被引次数最高的五篇论文之一。他提出的TinyML、硬件感知神经架构搜索等创新，推动了AI模型在资源受限设备上的部署。
Dr. Han 研究方向主要涵盖以下三点：高效生成式AI：生成式AI模型规模远超传统预测式AI，带来新的计算挑战。团队在量化、并行化、KV缓存优化、长上下文学习与多模态表征学习等关键领域进行创新，以降低生成式AI的计算成本。
模型压缩与TinyML：他开创了模型压缩领域，能够在不损失精度的前提下将神经网络压缩10倍以上。通过剪枝、量化、神经架构搜索等技术，使神经网络得以部署在微控制器上，并实现了在内存减少1000倍的设备上进行端侧训练。
利用稀疏性加速AI：神经网络中的稀疏性体现在并非所有神经元均相互连接。他设计了首个利用权重稀疏性的硬件加速器EIE，并在现代AI中发掘了新的稀疏性来源(如稀疏注意力、token剪枝、点云)，开发了相应的高效系统与加速器以充分利用稀疏性。所属院系：麻省理工学院，电气工程与计算机科学系
项目时长：4 年申请要求和方式
申请要求：·高效大语言模型、视觉语言模型、生成式AI等相关领域的研究经验与兴趣；·符合麻省理工学院电气工程与计算机科学系博士项目的录取要求。
申请方式：按照导师要求，向导师发送邮件和证明材料。经过双向选择后，向院校递交申请。
