较高优先级

研究方向（论文和技术）

• 代码尺寸优化
• 内存管理
• 面向AI的软件优化方法
  • 背景：新的AI模型不断涌现，新的硬件加速器也在不断更新，二者之间需要一套AI开发框架以及对应的优化方法，使得新模型能够在新的硬件加速器上高效运行。
  • 内容：研究面向AI计算框架的内存优化 (预期收获：AI计算框架的机理、内存优化、计算图优化、算子调度与算子优化等)
  • 可能的切入点：基于重写系统实现计算子图替换优化
  • 参考资料：AI编译

竞赛（竞赛和技术）

• 本科生竞赛

较低优先级

• 持久化内存（persistent memory，PM）
  • 背景：PM能够对传统的存储架构带来巨大变革，展现了巨大的潜力；但是当前面临一致性问题，影响了PM产品的大规模推广。
  • 内容：研究面向持久化内存的内存模型、I/O系统 （预期收获：内存模型、编程模型、文件系统等）
• 并发编程研究
  • 背景：当前的并发编程主要是利用多线程机制。但是线程机制涉及内核上下文切换的成本。为此，业界提出了很多用户态的并发机制，比如协程。这些机制需要显示管理并发任务之间的同步，给编程带来了不小的挑战。
  • 内容：研究并发编程的特性；提出编程友好的、高效的并发编程模型。
• 编译器研发
  • 内容：基于LLVM，设计和实现面向特定领域芯片的编译器（预期收获：LLVM工具、后端代码优化、后端代码生成、汇编器的实现、链接器的实现）
  • 参考资料: 编译器
• 其他（感兴趣、待探索的方向）
  • 面向类脑计算的编程框架
  • 面向量子计算的编程框架
  • 面向隐私计算的编程框架