学术研究处在人工智能革命的前沿。那些最终在商业领域和公共部门应用的工具发源于世界各地的大学和研究机构。我们致力于支持和加速这样的研究，其中一项举措就是启动“Graphcore学术计划”，分享我们的技术、资源和专业知识。
与Graphcore合作的研究人员发现，IPU（智能处理器）所能实现的工作远远不止机器智能工作负载的加速。通过赋能稀疏计算、细粒度并行性等特性，IPU专为人工智能设计的架构拓宽了计算的潜能。
Graphcore学术计划的参与者将获得云上IPU计算平台的免费访问权限，包含搭载有8个C2 PCIe卡，即16个Colossus MK1 GC2 IPU的Dell DSS8440服务器。该计划的其他裨益还包括Graphcore内部研究人员和工程师提供的支持和定期随访。Graphcore可能还会提供经费申请方面的支持。
如欲申请Graphcore学术计划，或获取更多相关信息，敬请访问graphcore.ai/academic。
下列领域中的项目和计划属于Graphcore的优先考虑范畴。但是，Graphcore也会考虑有关IPU创新应用的其他计划：
- 稀疏训练
- 有条件的稀疏计算
- 随机学习优化
- 用于深度学习和计算图网络的新型高效模型
- 小型计算图网络
- 平行计算的新方向
- 本地平行性
- 多模型训练
Graphcore学术计划建立在已经使用IPU进行的学术研究的基础之上。一些世界一流的学者和机构发表论文，详细介绍了在Graphcore计算平台上实现的巨大进步，其中包括来自加州大学伯克利分校、马萨诸塞大学阿默斯特分校、布里斯托大学、伦敦帝国理工学院、福特汽车公司的研究人员。他们的工作详细介绍了量化性能提升以及新颖的IPU应用，这些应用基于其他类型处理器所没有的一些特定功能。在每个案例中，研究结果都指向未来的研究方向，即实现探索和发现的良性循环。
加州大学伯克利分校的研究人员与谷歌大脑团队的成员一起使用了Graphcore IPU来研究深度神经网络训练中性能和效率的方法，详细内容请见他们的论文《具有本地更新的深度神经网络并行训练》。
加州大学伯克利分校的Pieter Abbeel教授说：“我们与Graphcore合作进行的具有本地更新的深度网络并行训练的研究工作表明，IPU截然不同的处理器架构能够帮助实现新的分布式计算和更大模型训练的方法。研究表明，Graphcore的技术不仅在吞吐量和时延等指标上提供数量上更优化的性能，还从根本上开启了新的方法，以应对那些可能会阻碍人工智能发展的计算挑战。”
伦敦帝国理工学院计算机视觉教授Andrew Davison的团队一直在使用Graphcore的IPU解决有关计算机视觉解释周遭世界的一些挑战。他们的论文《图形处理器上的捆绑调整》展示了如何在IPU上使用高斯置信传播来解决捆绑调整的经典计算机视觉问题。
“我带领的团队是第一批基于Graphcore IPU进行研究并发表研究成果的团队之一。这是一项在数量上和质量上都能够实现收益的技术。在我们的计算机视觉工作中，我们看到IPU的性能优于传统芯片架构。IPU也扩大了我们对该领域计算潜力理解。”伦敦帝国理工学院计算机视觉教授Andrew Davison说。
布里斯托大学的研究人员一直在使用IPU探索和CERN大型强子对撞机分析数据相关的一些复杂的数学新方法。他们在论文《Graphcore IPU在粒子物理学的应用潜力的研究》中对此做了简述。
布里斯托大学物理学教授Jonas Rademacker表示：“我们研究了Graphcore IPU对粒子物理学中发现的几个计算问题的适用性，这些计算问题对于我们在CERN进行的LHCb实验的研究至关重要。我们所展示的功能和性能提升，表明了IPU独特架构的多功能性。此外，对于我们正在进行的、探索IPU处理粒子物理学中庞大且快速增长的数据集能力的研究工作来说，Graphcore对我们一直以来的支持至关重要。”
更多关于已发表研究论文的信息，敬请访问Graphcore Resources页面。想要申请Graphcore 学术课程请在这里提交你的申请书。