Neural-Networks-on-Silicon

芯片之上，论文为梁：一位港科大教授的AI加速器知识图谱

当科研工作者也需要「效率工具」

在AI芯片领域做研究，最痛苦的事是什么？不是实验跑不出结果，而是不知道这个方向是否已经有人做过。学术界每年在ISCA、MICRO、ASPLOS等顶级会议上发表的AI加速器论文超过百篇，散落在不同的会议录、不同大学的合作项目主页、arXiv的不同版本中。想做文献调研？光是把这2014到2019年的脉络理清楚，就可能耗掉一个博士生整整两个月的时间。

fengbintu/Neural-Networks-on-Silicon 正是为解决这个痛点而生——它由香港科技大学助理教授涂锋彬（Dr. Fengbin Tu）创建并维护，是一个专注于神经网络硬件加速器的学术论文导航库。目前收录超过400篇论文，其中249篇被重点标注，覆盖ISCA、MICRO、ASPLOS、ISSCC、HPCA等几乎所有硬件体系结构顶级会议，横跨2014至2026年十二年。

学术明星的诞生：从个人收藏到行业标杆

涂锋彬教授现任香港科技大学（HKUST）助理教授，同时也是集成电路与系统研究所副所长、InnoHK旗下AI芯片中心（ACCESS）核心成员，并入选国家自然科学基金优秀青年科学基金项目。其研究聚焦AI芯片与系统架构，是当前全球最活跃的AI硬件研究者之一。

这个项目最初只是他个人的论文阅读笔记。2016年深度学习真正爆发，AI芯片架构研究也随之井喷——DianNao系列、DaDianNao、Eyeriss等标志性工作相继问世。涂教授将这些论文按年份、按会议进行系统梳理，形成了这份持续更新的知识图谱。由于其极高的学术价值和质量，这个导航库逐渐成为全球AI芯片研究社区的重要参考资源，被广泛引用于论文、Slide和课程讲义中。

经典论文巡礼：看懂AI加速器的演进脉络

这份论文库的真正价值，在于它不只是列表，而是有观点的索引。加粗标注的249篇核心论文，代表了各时期最具影响力的工作。以几个里程碑为例：

DianNao系列（中国科学院团队）：这是中国在AI芯片领域的开创性工作。2014年ASPLOS的DianNao首次提出专用加速器架构，在65nm工艺下实现65GOPS的吞吐量，而功耗仅需0.5W。随后DaDianNao（2014 MICRO）扩展为多核超级计算机架构，ShiDianNao（2015 ISCA）将计算推到传感器近端，PuDianNao（2015 ASPLOS）则实现了通用机器学习加速。

Eyeriss（MIT/NVIDIA团队）：2016年ISSCC和ISCA发表的这项工作提出了"行静止"（Row Stationary）数据流，在CNN加速效率上取得重大突破，是后续大量加速器设计的理论基础。

EIE（斯坦福/清华团队）：首次将深度神经网络压缩与推理引擎结合，展示了剪枝+量化后的稀疏网络如何在硬件上高效执行，开创了模型压缩驱动的硬件设计范式。

为什么这个项目值得收藏？

对于AI爱好者，它是理解AI芯片发展史的最佳入口。阅读这些论文的摘要和合作关系，可以直观看到专用硬件如何一步步从学术原型走向工业落地。对于AI开发者/硬件工程师，它是快速定位相关工作的精准导航——想了解近存计算（Near-Memory Computing）有哪些代表作？在FPGA上做CNN加速有什么好方案？直接按章节查找，事半功倍。

这份导航库按年份和会议分类，每篇论文都标注了作者机构（如CAS、MIT、NVIDIA、KAIST等），便于追溯技术传承和合作网络。对于做文献调研的研究生来说，这比任何商业学术数据库都更聚焦、更权威。

局限与使用建议

需要注意的是，这是一个纯静态Markdown仓库，没有代码实现、没有演示Demo、没有Docker容器。它是阅读材料，不是可运行项目。访问方式就是直接Fork到本地或通过GitHub Pages在线浏览。此外，2020年后的论文收录有所减少（2019年收录56篇，之后各年数量明显下降），可能与涂教授转为聚焦自己的研究输出有关。

最佳使用方式：Fork这个仓库，在本地用VS Code或Typora打开README.md，配合PDF阅读器进行深度文献调研。它比任何学术数据库都更懂这个细分领域的脉络。

行业意义：知识基础设施的范式

fengbintu/Neural-Networks-on-Silicon 代表着一种新型的开放科学实践——不是发表论文，而是建立领域知识的结构化索引。它证明了在AI时代，一个精心维护的导航页可以拥有比肩开源代码仓库的影响力（2000+ stars），说明学术界对知识组织和共享的需求远超以往。