Sử Dụng Cache Tích Hợp Trong Chip AI: Giảm Truy Cập DRAM Với Cache Line, Cache Coherence Và Tối Ưu Vị Trí Dữ Liệu
Phần mềm IoT
Vai trò IoT trong Giám sát và Tối ưu hóa Smart Grid: PMU, AI và Power Flow
Thiết kế Hệ thống Kiểm soát Chiếu sáng Thông minh: Tối ưu Tiết kiệm Năng lượng qua Cảm biến Quang học, Hiện diện và Dimming Control
Phân Tích Tổn Hao Năng Lượng Truyền Dẫn Vô Tuyến IoT: So Sánh LoRaWAN, NB-IoT, BLE Và Tối Ưu Tx Power
Tối ưu DVFS cho Edge Device: AI điều chỉnh tần số-điện áp theo tải, giảm TDP
Energy Harvesting Cho Cảm Biến IoT Không Pin: Thermoelectric, Piezoelectric Và Thách Thức Nguồn Điện
Tối ưu hóa WUE Data Center: Giám sát Thủy lực và Machine Learning cho Chilled Water Loop, Blowdown
Thiết kế Kiến trúc IoT Net-Zero: Tích hợp Solar/Wind và Quản lý Battery Storage
Tối ưu PUE DC bằng Cảm biến Nhiệt và AI: Phân tích Airflow, Hot Spot, Điều chỉnh Fan Speed
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
IoT Forensics: Quy trình thu thập, bảo quản, phân tích bằng chứng số IoT – Thách thức truy vết thiết bị ngắt kết nối
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
Tối ưu hóa TinyML cho Thiết bị Năng lượng Hạn chế: Inference Siêu nhẹ (MobileNet, EfficientNet) và Scheduling RTOS Tối đa hóa Sleep Cycle
Công nghệ HBM: Giảm Memory Bottleneck trên Chip AI Cao Hiệu suất – Thách thức Tản Nhiệt, Chiplet (2.5D-3D Packaging)
Giao thức Bảo mật Thiết bị Tài nguyên Hạn chế (Constrained Devices): Phân tích DTLS, OSCORE – So sánh Hiệu suất TLS
Thiết kế Lõi AI Chuyên dụng (Custom AI Cores) trên RISC-V: Tùy chỉnh ISA Extension cho Tensor/Vector và Tối ưu Nhiệt-Điện Năng
Tác Động Clock Frequency Đến Power Efficiency Edge AI: Dynamic Power, DVFS
Tăng Tốc Tính Toán Ma Trận Trên MCU Bằng DSP, FPU Và SIMD: Tăng GFLOPS
Kỹ thuật Model Pruning dựa trên Hiệu suất Năng lượng: Cắt bỏ Weights ít quan trọng, So sánh Structured vs. Unstructured và Tác động Clock Cycle
Bảo mật Lớp Vật lý (Physical Layer Security): Tamper Resistance, Side-Channel Attacks và Vai trò TPM/HSM
