Kỹ thuật Học tập Liên tục (Continual Learning) trên Thiết bị IoT Lâu dài: Cập nhật Mô hình Không Quên Kiến thức Cũ và Quản lý Bộ nhớ – Năng lượng
Phần mềm Giao tiếp Bán dẫn
Phần mềm Giao tiếp Bán dẫn
Edge Caching: Tối ưu Tốc độ Truyền Mô hình AI qua Lưu trữ Gateway và OTA Giảm Trễ
Phân tích Chuyên sâu Emulation Chip AI: Sử dụng FPGA Mô phỏng Kiến trúc Mới và Đánh giá GFLOPS/Watt Trước ASIC
Tối ưu hóa K-means, Autoencoders tại Edge cho Anomaly Detection: Cân bằng độ nhạy và cảnh báo sai
GenAI và LLM: Tự động Hóa Gán Nhãn Dữ Liệu Cảm Biến Phi Cấu Trúc – Giảm Chi Phí, Độ Trễ
Kỹ Thuật Mô Phỏng Nhiệt (Thermal Simulation) Cho Chip AI Phân Tán Bằng FEM: Dự Đoán Hot Spot Và Tối Ưu Vias Tản Nhiệt Trên PCB
Thiết kế Chip-to-Software Interface cho AI Accelerator: Driver, API Cấp Thấp và Tối Ưu Overhead CPU-AI
Phân tích Độ trễ Giao tiếp Ngoại vi (Peripheral Communication Latency) trong Edge AI: Đo lường I2C/SPI/UART và Tác động Tốc độ Dự đoán
Tối ưu hóa Firmware cho TensorFlow Lite, PyTorch Mobile: Backend (CPU, GPU, DSP), Giảm Function Call Overhead và Heap/Stack
Bảo mật Mô hình (Model Security) tại Edge: Chống Tấn công Xâm nhập Vật lý bằng Mã hóa – Obfuscation và Root of Trust
Tăng cường Học Tập (Reinforcement Learning): Tối ưu Vận hành Thiết bị qua Điều chỉnh Sampling Rate và Chế Độ Ngủ
Cân bằng Tải (Load Balancing) Tác vụ AI trên Edge Cluster: Task Scheduling dựa TDP và Dung lượng Pin
Neuromorphic Sensors và Tích hợp AI: Nguyên lý Event-based Giảm Năng Lượng
Tối ưu AI LPWAN: Chỉ Truyền Events Thay Vì Dữ Liệu Liên Tục, Tiết Kiệm Năng Lượng
Kỹ Thuật Đào Tạo, Tinh Chỉnh Mô Hình Trên Thiết Bị Biên (On-Device Training/Tuning): Compressed Gradient Và Thách Thức Nhiệt – Năng Lượng Backpropagation Tại Edge
Phân tích Chuyên sâu UCIe cho AI Chiplet: SerDes Tốc độ Cao và Tác động Packaging Material đến Signal Integrity
Thiết kế Kiến trúc Chip AI Chịu Lỗi (Fault-Tolerant AI Chip Architecture): Redundancy, ECC Memory và High Availability trong Môi trường Công Nghiệp
Sử Dụng Cache Tích Hợp Trong Chip AI: Giảm Truy Cập DRAM Với Cache Line, Cache Coherence Và Tối Ưu Vị Trí Dữ Liệu
Lập trình Song song cho Chip AI: CUDA và OpenCL – Tối ưu Kernel, Shared Memory đạt Peta-level Throughput trên cụm GPU
Vai trò NVRAM trong Lưu trữ Mô hình AI Lớn tại Edge: eMMC/Flash và Wear Leveling OTA
Tối Ưu Hóa Băng Thông Với Kỹ Thuật Nén Dữ Liệu Cảm Biến Bằng Autoencoders Tại Edge
Tích hợp Cảm biến Nâng cao và Pre-processing CNN tại Edge: Xử lý Raw Data Tại Sensor Hub, Giảm Truyền tải – Độ trễ Trước AI
Phân tích Vật lý: Numerical Precision, Độ trễ và Tác động của Bfloat16 – FP16 đến Tốc độ Cổng Logic – Công suất Tiêu thụ trên Chip
Kỹ Thuật Sinh Dữ Liệu Tổng Hợp (Synthetic Data Generation) Cho Edge AI: GANs, Diffusion Models Giảm Chi Phí Gán Nhãn
