講題：加速神經(jīng)架構搜索的性能預測器

講題介紹：神經(jīng)架構搜索（Neural Architecture Search,，NAS）是自動化設計深度神經(jīng)網(wǎng)絡結構的關鍵技術,，是人工智能領域近年的研究熱點。NAS運行中需要訓練大量神經(jīng)網(wǎng)絡模型,，進而獲得其性能指標用于指導搜索算法的高效執(zhí)行,。然而訓練大量的神經(jīng)網(wǎng)絡模型需要海量高性能GPU計算資源,，這對NAS算法的實際應用帶來了極大挑戰(zhàn)。性能預測器不需硬件資源即可直接計算神經(jīng)網(wǎng)絡模型性能,，在降低NAS計算復雜度方面有著極大研究價值,。本報告將介紹團隊在ICCV2021和NeurIPS2022發(fā)表的兩個成果，分別從神經(jīng)網(wǎng)絡結構增廣,、以及遷移學習角度構建高效的性能預測器模型,。

主講人：孫亞楠

主持人：陳慧靈

時間：2022年12月12日（周一）19：30

地點：線上（騰訊會議ID：965-688-631）

簡介：孫亞楠，四川大學研究員,，博士生導師,，入選國家青年人才計劃、四川省天府峨眉人才計劃,。2017年6月博士畢業(yè)于四川大學,，2017年7月至2019年3月在新西蘭惠靈頓維多利亞大學從事博士后研究，2019年3月底引進至四川大學計算機學院,。長期從事基于神經(jīng)演化的網(wǎng)絡架構自動設計方法研究,，在低功耗AI芯片設計以及新一代核反應堆設計中得到應用。近五年以第一/通訊作者發(fā)表IEEE匯刊以及CCF-A類論文30篇,，4篇同時入選了ESI高被引和ESI熱點論文,，3篇入選IEEE CIS研究前沿論文,，授權發(fā)明專利18項，出版學術專著1部(Springer出版社),。