·由以人工预设为主的人治模式逐步转向数据与知识驱动的智能模式是未来网络发展的趋势。如何设计面向服务质量的智能化网络管控机制，是提升大规模网络效率和性能的关键。本项目从未来网络管控系统的高灵活配置、高动态适应、多元化可定制、多维度可扩展以及高性能高可用等实际需求出发，开展智能化可演进网络关键技术的研究，旨在解决传统网络资源管控所面临的网络体系结构限制、网络行为认知匮乏以及服务质量保障乏力等核心难题。项目以人工智能技术在面向未来网络体系结构的资源管控机制中的创新应用与实际部署为技术突破点重点，围绕软硬件协同网络管控原型系统开发、网络流量数据实时获取、网络状态轻量可测、管控决策按需可控等方面展开研究。

·围绕下一代数据密集型应用对互连网络高带宽、低时延、低能耗、高扩展性的需求，展开高容量、低开销、可重构、扁平化光电混合互连架构的研究。结合光、电交换技术的特点，设计高扩展、低复杂度、大容量、低能耗的光电混合互连拓扑结构;研究低开销、快速响应的光电路/光分组交换控制系统，设计面向快速光交换计算的调度算法;研究低阻塞、多粒度、高连通性的光交换机制及交换芯片;构建高性能光电混合互连网络系统原型，部署典型应用测试基准，验证光电混合网络的潜在优势，为下一代计算网络架构的技术革新提供理论和实践指导。

·研究基于路由交换的异构计算系统算力扩展总体架构，包含异构计算资源节点之间、片上交换路由与片上处理资源之间、片上处理资源与外部接口之间的互连结构与互连拓扑，如图3所示。设计与物理层解耦的轻量级网络架构，使之可以在不同的物理连接方式之上灵活的构建多种拓扑的网络。针对机载计算任务的算力提升需求，研究异构计算节点的算力扩展问题，通过基于路由交换的、可扩展的互连构建异构计算系统，采用轻量化互连协议实现异构计算节点的低延时、高带宽互连，验证基于路由交换的异构计算系统对于特定应用的高速并行分布式处理效果。本系统的主体思想是将片上网络(Network on Chip，NoC)互连协议扩展到片间互连(Network on Package，NoP)，实现芯片内部计算资源到集群芯片的延伸。

·本项目围绕分布式机器学习的通信效率和任务调度开展研究，旨在提供高效率、高精度、低成本的分布式训练解决方案。具体研究内容包括:1)针对分布式机器学习训练中参数通信频繁、带宽竞争大的问题，研究分层通信拓扑架构和基于阈值的参数同步算法，缓解参数汇聚节点的通信瓶颈，减少通信频率，从整体上提升训练效率。2)针对异构数据中心并行节点计算不同步的问题，研究异构资源可感知的分布式任务调度策略，弥补异构节点的差异，均衡计算，提高收敛精度。本项目有效解决分布式机器学习中通信瓶颈和资源浪费等问题，致力于推动人工智能应用更广泛的落地，降低数据中心成本投人。