2026年3月26日晚上 ，电气与控制工程学院”一苇以航”辅导员工作室于15311H教室顺利开展第177期论文学堂。本次讲座由班级朋辈导师凌晓锐面向25150141班进行讲解。
本次学堂围绕《面向IP系列的CNN软硬件协同架构的方法研究论述》这一前沿主题展开。讲座伊始，凌晓锐学长首先向同学们介绍了一款高效的文献管理工具——Zotero。他通过现场演示，详细讲解了如何利用该工具及AI技术辅助进行关键词提炼、外文文献检索与抓取、PDF管理与分类，为同学们提供了高效获取和整理学术资料的新思路，有效拓宽了大家的科研入门路径。
随后，凌晓锐学长对本次的论文主题进行了深入浅出的解读。他首先阐述了研究背景：随着AI算法从云端向边缘端部署，如何将复杂的神经网络模型高效、低成本地部署于硬件设备成为关键。文章对比了专用集成电路（ASIC）与现场可编程门阵列（FPGA）在算法部署上的优劣，并聚焦于利用FPGA的可编程特性，实现CNN（卷积神经网络）算法的软硬件协同加速。
在讲解核心内容时，凌晓锐学长带领大家梳理了论文的脉络。他首先介绍了CNN算法的基本构成及其带来的“计算密集型”与“存储密集型”挑战。针对这些挑战，文章详细阐述了网络轻量化的四大方法：剪枝、量化、低秩近似与知识蒸馏，旨在压缩模型规模以适应硬件资源。在硬件层面，文章探讨了FPGA上计算阵列的优化，分析了流式架构与单计算引擎架构的优缺点，并针对延迟分布不均、数据搬运开销大等问题，提出了包括频域卷积、稀疏神经网络、访存优化及任务调度在内的软硬件协同优化策略。最后，论文还介绍了一种敏捷开发流程，旨在简化从软件算法到硬件部署的整个过程。
通过这篇论文的学习，同学们可以了解到以下知识：在边缘端实现低延迟、低功耗推理任务的有效路径；理解CNN算法与FPGA硬件协同设计中所面临的计算与存储瓶颈；学习从算法轻量化到硬件架构优化的多种协同设计方法。当前，随着人形机器人、自动驾驶等领域对大模型部署需求的日益增长，这种软硬件协同架构的设计思路，为未来实现更高能效、更灵活的智能系统提供了重要的技术支撑。后续研究可关注该方法在更复杂模型及不同应用场景中的适配性与优化。
