在基礎(chǔ)研究領(lǐng)域持續(xù)發(fā)力，深入通信與計(jì)算的理論本質(zhì)，解決基礎(chǔ)理論問題，突破產(chǎn)業(yè)演進(jìn)瓶頸

數(shù)學(xué)是一切科學(xué)的基礎(chǔ)，更是打開通信、計(jì)算、人工智能新世界的金鑰匙，為此華為持續(xù)開展基礎(chǔ)數(shù)學(xué)及應(yīng)用的研究。在隨機(jī)矩陣?yán)碚摵退惴▽W(xué)中，創(chuàng)新地提出了一種估計(jì)隨機(jī)矩陣的最小奇異值的方法，對n x n規(guī)模的稀疏線性方程組，應(yīng)用該理論得到

（ω表示矩陣乘法的指數(shù)）復(fù)雜度的求解算法，論文被計(jì)算機(jī)科學(xué)理論A類學(xué)術(shù)會議STOC 2022收錄。在二進(jìn)制領(lǐng)域構(gòu)建和訓(xùn)練深度模型中，提出布爾邏輯反向傳播方法，以數(shù)學(xué)原理層的突破，解決超維二進(jìn)制變量優(yōu)化的問題，使得深度學(xué)習(xí)算法可以直接在布爾域中完成，仿真驗(yàn)證可達(dá)全精度訓(xùn)練模型的性能。在拓?fù)渌估碚摵驼Z義學(xué)中，面向語義學(xué)習(xí)提出一種全新的數(shù)學(xué)理論，構(gòu)建出代數(shù)拓?fù)浜瓦壿嬅}的公共框架，并第一次提出基于群、偏序集合以及廣群的語義信息空間，實(shí)現(xiàn)對Roger N. Shepard、Carl I. Hovland、Herbert M.Jenkins實(shí)驗(yàn)結(jié)果的完美解釋，實(shí)驗(yàn)顯示新型神經(jīng)網(wǎng)絡(luò)模型可擺脫“統(tǒng)計(jì)鸚鵡”模型的能力約束，獲取更接近動物/人類的智力。

深入通信與計(jì)算的理論本質(zhì)，不斷探索、挑戰(zhàn)、逼近理論極限。在信息論領(lǐng)域，提出了基于多邊耦合圖的編碼方法，在Tbit/s x 千km級長途光通信場景下實(shí)現(xiàn)性能提升約0.5dB，進(jìn)一步逼近香農(nóng)極限。不斷挑戰(zhàn)熵編碼極限，提出快速非線性變換和輕量級上下文預(yù)測的非結(jié)構(gòu)化數(shù)據(jù)編碼算法HZU，突破LZ壓縮范式，壓縮率提升30%左右。在網(wǎng)絡(luò)優(yōu)化領(lǐng)域，面對十萬級節(jié)點(diǎn)千萬級鏈路網(wǎng)絡(luò)流求解難題，提出網(wǎng)絡(luò)拓?fù)涓兄亩▋r(jià)NPP模型和自適應(yīng)稀疏優(yōu)化方法，實(shí)現(xiàn)求解速度數(shù)量級的提升；基于生物同化機(jī)制，提出CLIModel模型，網(wǎng)絡(luò)配置效率提升超5 倍，獲得ACM SIGCOMM 2022最佳論文獎。在計(jì)算和AI領(lǐng)域，提出一種加權(quán)最小化通信代價(jià)和最大化任務(wù)并行的分配和調(diào)度的方法，以此構(gòu)建的三維并行訓(xùn)練框架 Fold3D，相比業(yè)界主流系統(tǒng)，可實(shí)現(xiàn)性能提升25%以上；首次理論證明DPM的KL散度目標(biāo)和反向過程的最優(yōu)方差存在解析解，可實(shí)現(xiàn)采樣效率20-80倍的提升，獲得ICLR 2022杰出論文獎。

堅(jiān)持技術(shù)創(chuàng)新，促進(jìn)產(chǎn)業(yè)快速發(fā)展，助力萬兆體驗(yàn)、千億聯(lián)接、內(nèi)生智能的新世界到來