研究奖学金与资格确认
NTU Research Scholarship当前对国际PhD的月津贴为S$3,000，并覆盖年度学费；新加坡永久居民为S$3,400，新加坡公民为S$3,800。博士通过Qualifying Examination或Confirmation后，可按研究表现与课程标准增加最多S$500/月。国际学生还需要履行Graduate Assistantship Programme中的教学或实验室服务要求。
这套结构把资助和博士训练直接联系在一起：资格考试不是单独的一次考试，而是判断研究推进、课程基础与后续资助的重要节点。申请前最好同时理解课程、研究、助教服务和团队工作的时间占用，不要只把奖学金换算成生活费。
导师团队的研究与成员结构
Weichen Liu现任南洋理工大学College of Computing and Data Science副教授，主页明确写着正在招收对edge AI、hardware-software co-design或silicon photonics感兴趣的PhD学生。当前成员页列有3名正式PhD成员，分别从2026年8月、2024年8月和2023年1月加入，另外还有访问博士和博后。
团队的问题有一个共同特征：智能性、效率与可预测性需要同时满足。研究从硬件感知的神经架构搜索、模型压缩、内存计算，一直延伸到实时调度、硅光互连和软硬件协同。对博士生来说，这意味着日常工作经常需要在模型、系统和硬件约束之间转换，而不是只在单一抽象层做优化。
Weichen Liu自2026年起担任IEEE TCAD Subject Area Editor，主页还列有一项2025至2028年的MOE AcRF Tier 2项目。公开毕业去向包括高校教职、Huawei、Alibaba以及ETH Zurich博后。对申请者而言，这些信息可以帮助判断团队既重视学术问题，也有较强的系统与工程训练属性。
申请材料与系统研究能力
如果背景偏机器学习，CV不要只放模型精度。更有信息量的是硬件平台、延迟或能耗预算、压缩或量化策略、部署后的性能变化，以及你怎样确认优化没有牺牲正确性。若做过FPGA、嵌入式或体系结构，则需要解释设计最终服务于什么智能任务。
Research Proposal可以围绕一个资源约束展开：给定延迟、能耗、面积或带宽预算，怎样在保证准确率或实时性的前提下设计模型与系统。先给出约束，再给方法和验证指标，这种写法与团队公开的研究问题更贴近，也能避免把proposal写成技术名词清单。
代码与实验记录在这类申请里很有价值。申请材料可以展示一次真实的性能定位过程：最初瓶颈在哪里，做了什么profile，哪些优化无效，最后如何验证收益。博士研究很少一次就成功，能把失败实验变成下一步判断，本身就是重要训练能力。
当前团队成员结构也能帮助判断训练方式。3名正式PhD分别处在不同入组阶段，团队同时还有博后和访问博士。对于新生来说，这意味着既能向更早入组的学生学习代码与实验流程，也会参与跨背景协作。申请材料如果能说明自己如何维护可复现环境、记录配置和与他人交接实验，会比单纯列“团队合作能力”更具体。
从公开项目看，团队还在持续推进软硬件协同和面向AI的片上互连研究，其中一项MOE AcRF Tier 2项目覆盖2025至2028年。把这些项目放回申请语境，重点不是追某个项目标题，而是判断自己的技能能否进入现有技术栈：例如体系结构、FPGA、模型压缩、实时调度或硅光子中的哪一块可以直接贡献。
博士训练与毕业能力
团队公开的毕业去向既有高校也有产业研发，说明训练结果并不局限于单一路径。无论未来想走学术还是工业研究，核心能力都包括建立可重复的实验、解释系统性能、将算法目标映射到资源约束，以及把复杂结果清楚写成论文。
申请时可以让SOP和推荐信承担不同角色。SOP负责说明你为什么从既有经历走向edge AI或软硬件协同；推荐信则尽量由真正观察过你研究过程的人写，证明你是否能独立定位问题、维护复杂代码或硬件流程、在失败后继续推进。这样比所有材料重复同一段经历更有效。
公开毕业去向还提供了一个现实参照：团队的PhD毕业生既有进入高校任教的，也有进入Huawei、Alibaba等产业研发岗位，还有前往ETH Zurich做博后的案例。申请者不需要在入学前确定唯一职业终点，但可以用这些样本反推博士期间应积累的通用能力——独立提出问题、构建系统、写论文、复现实验，以及把研究结果解释给不同背景的人。
