公司拥有国内零成本训练模型库+算子编译运行引擎+时空复用的视觉处理加速技术等核心技术。

主要特点：基于自专用研算子库与轻量化模型架构，可按需灵活定制多种底层异构硬件（通用处理器、智能芯片、FGPA、DSP...），并将其融合于一体，提供人工智能推理和训练功能，面向多模态势复合领域的多种人工智能算法、框架，实现高速提升，提高武器装备AI效能。

（1）面向单算子：算子配置推荐

提出改进的搜索算法，使用局部优化搜索代替全局搜索，兼顾搜索效率和性能优化效果。首先，针对算子的异构算力配置，分析算子计算时间和线程数之间的变化趋势，设计了混合膨胀压缩的搜索算法；针对算子的计算编排配置，从典型深度学习框架提取关键配置，分析其局部特点，设计了蒙特卡洛-贝叶斯优化搜索算法；基于这两类配置和对应算法，可显著减少无效搜索。在CPU、GPU和FPGA异构算力环境中，对conv2d、matmul两类主要耗时算子进行了配置推荐验证，相较于当前黑盒方法，能最高减少超过一个数量级的搜索开销，同样搜索次数下可提升30%的算子性能；相较于其他硬件分析或手工调优方法，则有更强的适用性。

（2）面向单个算法任务：算子切分并行

提取主要耗时的少量关键算子，给出切分比例可动态设置的切分优化策略，以精确协同异构算力。首先，针对典型深度学习算子运行时间分布，分析少数关键算子主导推理时间的聚集性特征，设定阈值筛选少数几种主要耗时算子作为切分对象；然后，针对不同切分维度、比例下的算子运行时间变化规律，提取线性、阶梯和浮动三种切分模式，基于模式匹配来提升切分精确度；最后，依次使用单算子最优切分、多算子切分协同调整算法，自适应数据、模型两种并行模式以提升计算速度。在异构算力上对CNN、RNN和Transformers三类算法中的算子进行了切分优化验证，实验结果表明，相较于当前切分策略，能最多缩短近50%的计算时间。

（3）面向多个算法任务：算子全局放置

定义新的放置约束来减少算法任务间干扰，构造最小费用流模型表示算子放置约束，提出增量式放置求解算法，以较低复杂度缩短所有计算时间。首先，提出能直接反映全局优化效果的新放置约束：基于算子加权加速比的优先级，和基于加速比分布差异的算子间亲和性，满足约束放置算子可减少算法间间干扰；然后，通过最小费用流模型表达放置约束，并给出了最小费用流求解和放置优化之间的映射关系；最后，提出新的单源最短路径求解算法，和对应的节点合并、边搜索剪枝机制，能以较低复杂度得到全局优化的算子放置结果。对多种算法组合共享异构算力的情况，进行了放置优化验证，实验结果表明，在满足定义的优先级和亲和性时，以较低的算子放置求解复杂度，能最大提升200%的异构算力效率，并降低2整体算法处理时间。

我公司数据集经过多年整理，收集和标注了数十万张装甲、坦克等数据，模拟雨、雪、风暴、雾等干扰场景，大大提高了智能装备的训练时间和成本。