这期关注北卡罗来纳大学教堂山分校计算机科学系Shahriar Nirjon副教授。UNC Embedded Intelligence Lab主页明确写着正在寻找新的博士生，研究目标是让资源受限的实时嵌入式感知系统具备学习、适应和持续演化能力。
这类博士不只是训练模型，也不是单纯做硬件。真正的日常往往在算法、系统、传感器、能耗、实时约束和应用验证之间来回迭代。计算机、电子工程、机器学习、信号处理、物联网和数字健康背景都可能找到切入点。根据公开官网整理，并非导师本人发布或录取承诺。
01｜本期招募简介
UNC Embedded Intelligence Lab主页目前明确写明，实验室正在寻找新的博士生。Shahriar Nirjon副教授的研究聚焦嵌入式智能：让资源受限、实时运行的感知系统能够学习、适应和持续演化。准备2027年秋季入学者可以通过UNC计算机科学PhD项目申请，并在材料中把他列为潜在导师，同时用官网邮箱发送简洁、针对性的研究兴趣。
UNC计算机科学系已公布2027年申请节点：为充分考虑Graduate School fellowship，建议在2026年12月15日前提交；为充分考虑系里的RA或TA资助，建议在2027年1月5日前提交；PhD和MS最终截止日为2027年3月9日。这里的RA/TA是入学资助考虑时间，不等同于实验室另有公开研究助理岗位，因此封面状态只写PhD，不写PhD/RA。
02｜导师与课题组
Shahriar Nirjon现为UNC计算机科学系副教授，研究覆盖移动计算、嵌入式传感系统、无线网络，以及面向移动健康、物联网和云端协同的数据分析。他领导Embedded Intelligence Lab，强调构建基于理论原则的端到端系统，把算法真正放进受能量、内存、时延和传感质量限制的设备中。
他曾获NSF CAREER Award，项目研究如何让超低功耗、依靠能量采集运行的感知设备在输入和运行条件变化时继续适应。实验室2026年的公开论文还包括设备端LLM个性化、毫米波异常检测、算法约束的嵌入式AI模型和基于照片与活动描述的毫米波信号合成。对博士生而言，这意味着研究往往需要从问题定义、算法设计和硬件实现一路做到真实场景评估。
03｜核心研究方向
第一，资源受限设备上的嵌入式AI。研究问题包括模型如何在能量、内存、计算和实时限制下训练或更新，以及设备长期运行时怎样适应环境和用户变化。常见方法涉及模型压缩、在线学习、调度、软硬件协同和系统测量。
第二，多模态与无线感知。实验室使用毫米波、WiFi、声学、视觉和可穿戴传感器理解动作与环境。重点不是简单融合更多模态，而是在噪声、遮挡、跨环境迁移和标注稀缺条件下保持可靠感知。
第三，移动健康与物联网系统。应用可覆盖居家活动识别、术后照护、可穿戴和智能空间。研究需要同时考虑准确率、实时性、隐私、设备成本和临床/用户可接受性，适合愿意做跨学科原型与验证的人。
04｜哪些背景更适合
计算机科学背景适合从机器学习系统、操作系统、实时系统或网络切入；需要证明自己能做实验系统和性能分析，而不只会调用模型。
电子工程、嵌入式或计算机工程背景擅长传感器、MCU、FPGA、无线和硬件调试；最好补足机器学习、统计和可复现实验设计。
机器学习或数据科学背景可以研究设备端学习、跨模态表示和鲁棒性；材料中应展示对时延、能耗、内存和部署约束的理解。
信号处理、通信或雷达背景适合毫米波、WiFi和声学感知，可突出滤波、时频分析、阵列处理和物理先验，并补足深度学习与系统实现。
生物医学工程、健康信息学或人机交互背景可连接移动健康应用，但需要与计算机或工程方法形成清晰分工，避免只写应用愿景。
最有说服力的申请者通常有完整原型经历：从传感数据采集、模型/算法、嵌入式部署，到能耗、延迟、鲁棒性和用户场景评估。
05｜套磁信怎么写
邮件主题可写“Prospective PhD applicant – adaptive embedded AI / multimodal sensing – 姓名”。开头说明计划申请UNC 2027 Fall、当前研究方向和最相关的系统能力，不要只写“我对AI很感兴趣”。
导师特异性匹配可以结合两类近期工作：一类是EdgeTune和算法约束嵌入式AI，讨论设备端个性化怎样同时满足资源与稳定性要求；另一类是mmAnomaly或mmWeaver，提出视觉先验与毫米波感知在新环境中的鲁棒性问题。用一个可测量的问题进入，例如“在固定能量预算下，个性化更新频率如何影响准确率、遗忘和响应延迟”。
方法段写清硬件与软件栈：PyTorch、TinyML、嵌入式Linux、MCU、无线/雷达数据、实时调度、功耗测量等，并给出真实结果。附件按CV、研究兴趣一页纸、论文/代码、演示视频排序。结尾询问研究方向是否匹配，并说明会通过正式CS PhD系统申请。
06｜简历怎么改
首页前半部分放研究兴趣、教育、最相关的系统/论文项目和技术栈。与嵌入式AI、多模态感知、无线、实时系统或移动健康无关的课程项目应压缩。
每个项目按照“问题—本人角色—硬件/数据—算法—系统指标—成果”书写。例如：“在ESP32上部署活动识别模型；本人负责数据采集、量化和调度；模型内存降低42%，推理延迟从78ms降至31ms，并在三种环境测试。”只写准确率而没有设备、延迟和能耗，难以体现系统研究能力。
代码和论文链接要可直接访问，README包含复现实验步骤。技术栏按目标方向排序，避免把几十个库名堆在一起。若项目是团队完成，明确本人负责传感器、模型、系统集成或评估的哪一部分。
07｜研究计划选题
以下为基于公开研究方向提出的申请构思，不代表导师已设定题目或承诺指导。
选题一：面向能量采集设备的持续自适应边缘模型。核心问题是，设备在能量供给、传感分布和任务需求不断变化时，怎样决定何时更新、更新哪些参数以及何时回退，从而在长期运行中平衡准确率、遗忘、时延和能耗。创新点是把在线学习策略与实时调度、能量预测和安全回退共同建模，而不是只比较压缩模型。它连接导师的持续嵌入式智能、超低功耗系统和设备端个性化研究。可行路径是使用公开可穿戴/环境传感数据与低成本开发板，先建立能量轨迹仿真，再完成真实板级原型；第一阶段可实现基线、功耗测量和更新策略。风险边界是公开数据无法完全代表真实长期漂移，因此研究应明确模拟与现场试验的差异。
选题二：图像先验辅助毫米波异常检测的跨环境鲁棒性。核心问题是，能否利用场景照片、文本描述或结构先验生成/校准毫米波表示，使系统在房间布局、材质和活动变化后仍识别异常。创新点是研究视觉先验何时帮助、何时造成错误迁移，并设计置信度估计和物理一致性约束。该题与mmAnomaly、mmWeaver及多模态感知方向直接相连。可行数据可由公开雷达数据、可控小规模采集和合成场景组成；第一阶段完成跨环境基准、先验注入模块和失败案例分析。风险边界是毫米波硬件差异会造成域偏移，必须报告设备参数并避免把合成性能当成真实部署结果。
两题相比，第一题更偏系统与长期部署，需要较强的嵌入式、调度和能耗实验能力；第二题更偏感知与多模态学习，容易形成数据集和模型贡献，但需要认真处理物理一致性。申请者可根据已有原型经验选择主线，同时把另一题作为未来交叉方向。
