在基礎研究領域持續(xù)發(fā)力，深入通信與計算的理論本質(zhì)，解決基礎理論問題，突破產(chǎn)業(yè)演進瓶頸

數(shù)學是一切科學的基礎，更是打開通信、計算、人工智能新世界的金鑰匙，為此華為持續(xù)開展基礎數(shù)學及應用的研究。在隨機矩陣理論和算法學中，創(chuàng)新地提出了一種估計隨機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，應用該理論得到

（ω表示矩陣乘法的指數(shù)）復雜度的求解算法，論文被計算機科學理論A類學術會議STOC 2022收錄。在二進制領域構建和訓練深度模型中，提出布爾邏輯反向傳播方法，以數(shù)學原理層的突破，解決超維二進制變量優(yōu)化的問題，使得深度學習算法可以直接在布爾域中完成，仿真驗證可達全精度訓練模型的性能。在拓撲斯理論和語義學中，面向語義學習提出一種全新的數(shù)學理論，構建出代數(shù)拓撲和邏輯命題的公共框架，并第一次提出基于群、偏序集合以及廣群的語義信息空間，實現(xiàn)對Roger N. Shepard、Carl I. Hovland、Herbert M.Jenkins實驗結果的完美解釋，實驗顯示新型神經(jīng)網(wǎng)絡模型可擺脫“統(tǒng)計鸚鵡”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現(xiàn)性能提升約0.5dB，進一步逼近香農(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測的非結構化數(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)絡優(yōu)化領域，面對十萬級節(jié)點千萬級鏈路網(wǎng)絡流求解難題，提出網(wǎng)絡拓撲感知的定價NPP模型和自適應稀疏優(yōu)化方法，實現(xiàn)求解速度數(shù)量級的提升；基于生物同化機制，提出CLIModel模型，網(wǎng)絡配置效率提升超5 倍，獲得ACM SIGCOMM 2022最佳論文獎。在計算和AI領域，提出一種加權最小化通信代價和最大化任務并行的分配和調(diào)度的方法，以此構建的三維并行訓練框架 Fold3D，相比業(yè)界主流系統(tǒng)，可實現(xiàn)性能提升25%以上；首次理論證明DPM的KL散度目標和反向過程的最優(yōu)方差存在解析解，可實現(xiàn)采樣效率20-80倍的提升，獲得ICLR 2022杰出論文獎。

堅持技術創(chuàng)新，促進產(chǎn)業(yè)快速發(fā)展，助力萬兆體驗、千億聯(lián)接、內(nèi)生智能的新世界到來