SRC 半导体合成生物学（SemiSynBio）：激发非传统思维，聚焦合成生物学和半导体技术之间的协同作用，为半导体行业和其他行业带来新颖的、突破性的解决方案。

研究建议

解决那些仍然未知的在细胞内部关于 DNA 操作以及 DNA 用于大容量存储的潜力。

提升对细胞信息处理原理的理解，以实现新一代的计算系统，它们要么是基于半导体材料，要么是基于生物材料，要么是两者的结合。

攻克另一项技术挑战：编码 DNA 来控制复杂的小于 10nm 的异构结构的组装。

先进的非传统架构和算法

简介/概述

需要研究来奠定可扩展的异构架构的新范式的基础，并与算法的实现一起设计，反过来也是一样。例如，图形处理器利用基于集成加速器的架构，一个基于稀疏矩阵的指令集，以及随机通信来比冯·诺依曼架构更高效地解决图形计算「40」。一个主要的目标就是开发方法和框架来设计并集成广泛的特定应用的计算架构，并要有一致的算法和系统软件创新。节能、弹性以及安全，至关重要。研究的目标就是用 CMOS 和比 CMOS 更好的技术来开发出显著节能并可以扩展到 10^12 个设备/CPU 或者 10^12 个节点/网络上的架构和算法。根据应用，对计算本身的重新认识或许会带来信号信息路径设计的新方法。

为了实现性能、供电和成本上优势，加速器这种异构架构将会越来越被需要。新型架构的主要目标和需求就是解决各种各样的加速器的设计和集成，既有片上的，也有片外的，还要有算法和系统软件的创新。需要针对内部数据或者附近数据的新型可用架构（由于能耗和延迟，移动数据是代价昂贵的），atv直播，以及自动配置和自动调整系统参数的能力。

自从冯·诺依曼架构出现以来，现代计算几乎在设备层行无差错地运行。依靠近似计算（AC）和随机计算（SC）的计算架构能够允许错误率的显著扩展。对 AC、SC 以及香农启发的信息框架的应用能够在能耗、延迟以及错误率等方面带来明显的好处，或者在错误的硬件层实现可扩展的架构。

目前，电路和系统架构的开发是独立于算法的，这导致性能和能量使用达不到最佳水平。需要有研究来进行关于新型架构和算法协同设计的方法的研究，来填补这一鸿沟，从而提升这类应用的功耗性能指标，如优化、组合、计算几何学、分布式系统、学习理论、在线算法以及加密。专业加速器和特定算法组件的异构集成能够起到重要作用。创新的计算架构技术将会需要实现从 CMOS 到 beyond-CMOS 的转变，beyond-CMOS 能够以低于 CMOS 技术 100 倍的功耗水平运行，同时计算速度只比 CMOS 低 10 倍。同时也希望理论计算机科学也能发挥重要的作用。这一基础主题引发的创新预计会对很多应用的负载产生影响。

有潜力的研究主题

除了上述的广泛主题，有趣的研究主题包括以下但不限于：

非传统计算的硬件和算法的协同设计

使用 beyond CMOS 器件来进行计算的计算理论

用于神经形态计算的计算理论

非冯·诺依曼架构的计算复杂度（时间和存储）

神经形态计算架构的计算复杂度（时间和存储）

随机计算的计算复杂度（时间和存储）

分类器的复杂度，协处理器的复杂度

神经形态计算和随机计算的可扩展性

针对新兴技术和架构的编程范式和编程语言

对新型架构进行扩展的基础理解

近似/随机/香农启发计算在极端环境中的传统计算应用中或者在接近硅/CMOS 技术蓝图的尾声时是适合的

具有非传统热管理、功耗和传输、能量回收、数据收集或存储以及通信的计算系统，它的显著特点就是提供更好的全局效率和性能。

数据表征、存储、传输以及端点解释的可替代模型

在 beyond-CMOS 硬件中采用新型的内存和数据表证，获得能比数字表征的数据更高效地被处理的更高阶的结构和信息内容

具有精简的数据移动和通信需求的新型架构，以及在系统负载和用况模式变化时为了自适应地优化数据移动策略的新型算法

新的计算法存储范式，其中硬件安全是架构固有的

使用接近热力学极限的设备进行计算

在极端的但是可管理的非传统操作环境中对系统的性能进行评估

硬件软件协同设计（HW-SW co-design）：

加速器的设计和集成，基于现有的以及新兴的设备，对异构系统从电路级别到系统软件级别进行设计和集成

开发加速器的非传统技术

开发软件机制来实现对加速器的透明使用

协同设计的硬件和算法

(责任编辑：本港台直播)