公司介紹
產業描述
研究院
電話
02-27883799 分機2216
員工人數
200人
地址
台北市南港區研究院路二段128號(中研院資訊所)
本所由35位研究人員、14位博士後研究及150餘位的碩、學士組成年輕、有熱忱的研究群。 本所研究領域：中文資訊處理及文字識別、電腦系統及通訊、軟體方法、電腦視覺及影像處理、網際網路協同作業研究、電腦繪圖、平行處理、計算力學、生物資訊、演算法、無線通訊、網際網路資訊處理。 本所有圖書館、運動器材室、電腦室、樓層有休閒室及備有茶水（咖啡）間。
主要商品 / 服務項目
資訊科學等相關研究
福利制度
可享有中研院所提供之學術環境及勞、健保、各項康樂福利。國定假日及週六、日放假。
工作機會
5/19
1. Deep Learning & AI Security
2. Optimization algorithms
3. (Multimedia) Signal Processing
4. Security and Privacy for Multimedia and Networks
5/19
符合下列條件之一：
1. 網路、社群網路、資料探勘或應用數學相關研究
2. 或具演算法設計、圖論、最佳化、賽局理論、機器學習、統計推論、隨機程序相關背景愛好數學
3. 網路或巨量資料分析系統實作、程式撰寫
適合擬專心研究，未來從事學術工作者
【參考網站】http://www.iis.sinica.edu.tw/pages/dnyang/index_en.html
1. Research topics on networking, social networks, or data mining
2. or with backgrounds in algorithm design, graph theory, optimization, game theory, machine learning, statistic inference, stochastic process
3. or network programming or big data analytics
5/19
我們利用深度學習 (Deep Learning) 從事文字生成、聊天機器人、知識建構與推論、自然語言處理的研究，兼顧理論與應用，具體研發項目如下：
1. 廣告文案或新聞的自動生成
當輸入是一款手機的規格表，系統能自動生成出一篇具有說服力的廣告文案。或是當輸入是一場 NBA 的比賽數據表，系統能自動生成出一篇緊張刺激的播報新聞。我們希望透過深度學習當中的增強式學習 (Reinforcement Learning) 以及語言模型，打造一個這樣的文字生成系統，能夠一方面忠於輸入的表格內容，另一方面能發揮創造力，寫出多變化又文情並茂的文章。
2. 不限主題的閒聊機器人
即所謂 Chitchat Chatbot，也就是沒有特定目的的聊天。目前這類型的bot大多數的作法是利用深度學習當中的 Seq-to-Seq model來建構，但是，這樣的作法通常無法產生有意義或是較為深入的回應，多數會流於插瞌打渾或是賣萌。其中的關鍵，在於bot缺少了對於聊天主題相關的基本常識，就像是 user 要跟 bot 討論劉德華，bot 應該對劉德華的各個 fact（身份，作品⋯）有足夠認識，回的 response 才會豐富有意義，不然巧婦難為無米之炊，沒有知識就不容易產生有意義的回應，我們希望將 grounded knowledge 以及更豐富的語義訊息 encode 在 model 之中。我們透過深度學習當中的增強式學習 (Reinforcement Learning)，已經訓練出一個不限主題的 LINE 閒聊機器人——詞庫小妍（LINE官方帳號：@359mcmgs）。
3. 自動知識學習系統
我們知道新的知識會夜以繼日的不斷產生，一個具有 AI 能力的系統最重要的功能之一就是能夠從大量的資料當中，分析資料，加以理解，組織成結構化知識。我們實驗室過去已經開發了人類的知識網 (E-HowNet)，打下堅實基礎，此專案的目標是進一步加以擴張，利用深度學習技術將關鍵的關係三元組合從閱讀的文章中自動抽取出來，如 (“哈登”, MemberOf, “火箭隊”) 或 (“麥特載蒙”, PlayerOf, “心靈捕手”) 等等。
4. 事實推論或事件預測系統
對於一個新事物，人們往往會根據基本常識、已知的事實、經驗的法則等等進行新事物的推測，包含事實或是事件的推論，例如以下的事實推論：已知Ａ說中文，Ａ又是Ｂ的哥哥，那麼很高的機Ｂ也會說中文。又例如以下的事件推論：“買麵包” 後會有很高的機率會在近期 “吃麵包”。在一個龐大的文本或是複雜的知識圖譜當中，推論的關係往往數量龐大，有時甚至複雜到超越人力所能規範與理解，我們希望藉由深度學習技術能自動化的在文本或是知識圖譜當中進行新事物的推測。
5/19
本實驗室主要工作內容為學術研究及系統開發，實驗室培養出之人才均具有良好的研究能力及紮實的系統實作能力。歡迎打算進修博士學位者、想累積研究經驗者，及為未來的職業生涯建立良好的基礎者。
進行下列領域相關問題之研究工作：
1. 雲端運算 (Cloud Computing)
2. 巨量資料分析 (Big Data Analytics)
3. 人智運算 (Human-Centered Computing)
4. 穿戴式運算 (Wearable Computing)
5/19
深度學習在異質系統架構中之效能優化
近年來,將多種neural network模型結合起來以提高深度學習能力的趨勢日益增加，此稱為複合式神經網路模型(hybrid neural network model)。例如，許多應用程序將 CNN 和 RNN 結合起來進行視頻字幕，視頻問題解答，自動醫療報告生成，股票交易分析，電影評論分析和污染物預測。隨著越來越多的AI應用程式採用複合式模型，優化複合式模型的執行以縮短推理時間已成為一項及時而關鍵的研究課題。此外, CPU+GPU 異構系統架構是現代計算機中的常見架構。目前常見的運算方式是在GPU上同時運行CNN和RNN, 此GPU-only運算方式未能充分利用CPU + GPU異構系統架構所提供的計算能力而導致較長的推理時間。
此外, 許多新型AI應用, 例如推薦系統, 知識圖譜等, 使用GNN/GCN作為深度學習訓練與推理的網路模型. GNN/GCN包含較複雜的不規則計算行為以及大量的稀疏矩陣(sparse matrix)計算. 這些計算在傳統GPU不易獲得良好執行效能. 然而近年CPUs提供強大的向量指令(例如Intel AVX512 向量指令可同時計算8個64-bit資料) , 其gather/scatter指令可快速存取非連續記憶體位址資料, 為不規則計算與sparse matrix計算開啟新契機. Tensor core GPU 也為sparse matrix計算做特殊硬體優化, 在稀疏度為50%時可達到兩倍加速. 如何運用AI compiler技術以及優化演算法設計使GNN/GCN等複雜模型充分利用向量指令或 Tensor core GPU的硬體優勢以達最佳運算效能亦是極具挑戰性的研究議題.
本實驗室研究方向為：(1) 透過AI編譯器(例如TVM 和MLIR)的優化技術,並配合資源配置和排程演算法設計, 研究如何利用異質運算平台(heterogeneous platform)上多CPUs、多GPUs、以及CPU+GPU+AI加速器等運算環境，提高深度學習模型(特別是複合式模型)的執行效能。(2) 使用MLIR AI compiler framework發展一系列GNN/GCN 優化技術 並實作於AVX512 + GPU + Tensor core之異質系統架構.
上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。
適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。
5/19
自然語言處理 (Natural Language Processing)
深度學習 (Deep Learning)
情感計算 (Sentiment Analysis/Affective Computing)
假新聞相關 (Fake News Intervention)
視覺與語言 (Vision and Language/Multi-modal)
可解釋性人工智慧 (XAI/Text Generation)
運動科技指導語 (Sport Tech)
文字探勘與人工智慧相關研究，程式撰寫與論文發表。
5/19
從事 形式化驗證(formal verification)在
1. 量子軟體系統
2. 儲存系統
的相關研究。
形式化驗證是一個開發高品質軟體的方法。
這方法會要求使用者提供他程式碼的"規格"。一個常見的方式，是用前置-後置條件來描述此規格，對一個排序的程式而言，我們會要求其前置條件是"輸入為一個整數序列"，而其後置條件為"回傳值回輸入序列經過由小到大重新排列的結果"。當然，是用電腦能看懂的語言表示。
之後，形式化驗證會用嚴謹的數學方法和電腦工具，"證明"一個該程式是否滿足該規格。這方法已經被很多歐美頂尖企業採用，例如微軟使用它來檢驗協力廠商所撰寫的驅動程式，AWS也大量採用他來驗證其雲端系統。AWS的CTO甚至在AWS 2020的開發者會議上，花了他整個演講1/3的時間，來解釋AWS如何用形式化驗證提高其服務品質。
本實驗室從事形式化驗證已經研究已經有十多年的時間，在全世界同行中也有相當的知名度。目前我們研究主軸在兩個方向：
[量子軟體系統驗證]
隨著量子電腦硬體的逐漸成熟，對應的量子軟體開發技術也日益受到重視。可以預見的，軟體的規模會不斷地增加，確保設計出來的程式正確無誤的難度也會高速提升。這現象在傳統軟體已經很普遍，任何有一定規模的軟體程式，無可避免的都會有大大小小的錯誤，最後只能和這些錯誤共存。我們相信如果沒有引入新的技術，很快量子軟體也會走向這條路。
形式化驗證在量子程式的發展也已經有十數年。目前主流的技術有兩大缺點，基於霍爾邏輯的技術有強大的能力，能處理十分複雜的量子程式分析，但是他的使用需要大量人力介入，需要的工作量常常是寫程式本身的數倍。這樣的技術比較適合用在確保關鍵系統的品質上（如核電廠的控制程式）。基於抽象解釋的技術則是另一個極端。他是全自動的，但是有著常常誤報程式錯誤的缺點。這大大減低的該類工具的可用性。
最近中研院的團隊開發了一個基於樹自動機(tree automata)的全新量子電路驗證技術。他克服了上述兩個問題。這是一個全自動的技術，使用者只需要提供電路和預期的答案，該技術就能自動檢查，對所有允許的起始量子狀態，有沒有任何的可能，在執行完電路後產生和預期不同的結果。同時這樣技術是精確的，他完全不會誤報錯誤，大大的增加了可用性。
有關於這個方向，還可以參考Quantum Computer Systems: Research for Noisy Intermediate-Scale Quantum Computers一書 的Ch 5,6,9來得到大概輪廓（連結：https://www.morganclaypool.com/doi/abs/10.2200/S01014ED1V01Y202005CAC051）。
下面是一些和我們近期研究題目相關的參考文獻：
[1] Yuan-Hung Tsai, Jie-Hong R. Jiang, Chiao-Shan Jhang: Bit-Slicing the Hilbert Space: Scaling Up Accurate Quantum Circuit Simulation. DAC 2021: 439-444
[2] Parosh Aziz Abdulla, Bengt Jonsson, Pritha Mahata, Julien d'Orso: Regular Tree Model Checking. CAV 2002: 555-568
[3]https://zxcalculus.com
[4]Miller, D. Michael, and Mitchell A. Thornton. "QMDD: A decision diagram structure for reversible and quantum circuits." 36th International Symposium on Multiple-Valued Logic (ISMVL'06). IEEE, 2006.
[5]Mingsheng Ying. 2012. Floyd--hoare logic for quantum programs. ACM Trans. Programming Language System
[儲存系統驗證]
可參考我們發表在OSDI的論文：
[1] Yun-Sheng Chang, Yao Hsiao, Tzu-Chi Lin, Che-Wei Tsao, Chun-Feng Wu, Yuan-Hao Chang, Hsiang-Shang Ko, Yu-Fang Chen:
Determinizing Crash Behavior with a Verified Snapshot-Consistent Flash Translation Layer. OSDI 2020: 81-97
和下面相關文獻：
[2] Abdulla, P.A., Haziza, F., Holík, L. et al. An integrated specification and verification technique for highly concurrent data structures. Int J Softw. Tools. Technol. Transfer. 19, 549–563 (2017).
[3] Luke Nelson, James Bornholt, Ronghui Gu, Andrew Baumann, Emina Torlak, Xi Wang:
Scaling symbolic evaluation for automated verification of systems code with Serval. SOSP 2019: 225-242
[4] Frama-c WP tutorial (https://allan-blanchard.fr/publis/frama-c-wp-tutorial-en.pdf)
[5] Tej Chajed, Joseph Tassarotti, M. Frans Kaashoek, Nickolai Zeldovich:
Verifying concurrent, crash-safe systems with Perennial. SOSP 2019: 243-258
5/19
我們利用深度學習(Deep Learning)從事文字生成、聊天機器人、知識建構與推論、自然語言處理的研究，兼顧理論與應用，具體研發項目如下：
1. 廣告文案或新聞的自動生成
當輸入是一款手機的規格表，系統能自動生成出一篇具有說服力的廣告文案。或是當輸入是一場NBA的比賽數據表，系統能自動生成出一篇緊張刺激的播報新聞。我們希望透過深度學習當中的增強式學習(Reinforcement Learning)以及語言模型，打造一個這樣的文字生成系統，能夠一方面忠於輸入的表格內容，另一方面能發揮創造力，寫出多變化又文情並茂的文章。
2. 不限主題的閒聊機器人
即所謂 Chitchat Chatbot，也就是沒有特定目的的聊天. 目前這類型的bot大多數的作法是利用深度學習當中的seq-to-seq model來建構，但是，這樣的作法通常無法產生有意義或是較為深入的回應，多數會流於插瞌打渾或是賣萌。其中的關鍵，在於bot缺少了對於聊天主題相關的基本常識，就像是user要跟bot討論劉德華，bot應該對劉德華的各個fact(身份，作品...)有足夠認識，回的response才會豐富有意義，不然巧婦難為無米之炊，沒有知識就不容易產生有意義的回應，我們希望將grounded knowledge以及更豐富的語義訊息encode在model之中。我們透過深度學習當中的增強式學習(Reinforcement Learning)，已經訓練出一個不限主題的LINE閒聊機器人-詞庫小妍(LINE官方帳號：@359mcmgs)。
3. 自動知識學習系統\\\\
我們知道新的知識會夜以繼日的不斷產生，一個具有AI能力的系統最重要的功能之一就是能夠從大量的資料當中，分析資料，加以理解，組織成結構化知識。我們實驗室過去已經開發了人類的知識網(E-HowNet)，打下堅實基礎，此專案的目標是進一步加以擴張，利用深度學習技術將關鍵的關係三元組合從閱讀的文章中自動抽取出來，如 (”哈登” ，MemberOf，”火箭隊”) 或是 (“麥特載蒙”，PlayerOf，”心靈捕手”)等等。
4. 事實推論或事件預測系統
對於一個新事物，人們往往會根據基本常識、已知的事實、經驗的法則等等進行新事物的推測，包含事實或是事件的推論，例如以下的事實推論：已知A說中文，A又是B的哥哥，那麼很高的機率B也會說中文。又例如以下的事件推論：“買麵包”後會有很高的機率會在近期“吃麵包”。在一個龐大的文本或是複雜的知識圖譜當中，推論的關係往往數量龐大，有時甚至複雜到超越人力所能規範與理解，我們希望藉由深度學習技術能自動化的在文本或是知識圖譜當中進行新事物的推測。
5/19
從事深度學習、機器學習、人工智慧、社群網路、推薦系統、資訊安全等相關研究、計畫與系統實作。
工作內容為進行或協助下列領域相關問題之研究與應用系統開發：
(1) 社群網路資訊擴散之深度學習預測模型、
(2) 基於隱私保護與公平性之人工智慧應用、
(3) 跨領域、跨文本、跨平台之深度推薦系統、
(4) 社群網路分析與應用、
(5) 機器學習與深度學習演算法設計。
上班地點:台南市東區大學路1號
5/19
從事深度學習、機器學習、人工智慧、社群網路、推薦系統、資訊安全等相關研究、計畫與系統實作。
工作內容為進行或協助下列領域相關問題之研究、教學與應用系統開發：
(1) 社群網路資訊擴散之深度學習預測模型、
(2) 基於隱私保護與公平性之人工智慧應用、
(3) 跨領域、跨文本、跨平台之深度推薦系統、
(4) 社群網路分析與應用、
(5) 機器學習與深度學習演算法設計。
上班地點:台南市東區大學路1號
5/19
參與多媒體內容理解與深度學習相關研究。若本身已具有多媒體(包含影像與語音)信號處理與深度學習研究的基礎者，亦可參與本實驗室的研究計畫(計畫題目為「深度學習及其在自動化影音生成之應用」)，研究主題包含開發最新的跨媒體檢索與生成技術。
5/19
優化深度學習系統效能及能耗之編譯器技術與演算法設計
本實驗室著重於提升深度學習系統效能之編譯器技術及演算法設計相關研究，主要研究方向為：(1) 透過編譯器優化技術以及平行處理技術，研究如何利用異質運算平台(heterogeneous platform)上多CPUs、多GPUs、以及CPU+GPU+AI加速器等運算環境，提高深度學習模型的執行效能。(2) 分散式及嵌入式深度學習之系統設計及效能/能耗優化之演算法設計。
目前平行分散式與嵌入式深度學習是國內外重要的發展重點，產業界及學術界均需此方面人才。
適合擬專心研究，未來從事學術工作者。
5/19
1.進行後量子密碼學領域 (Post-Quantum Cryptography) 研究，實作相關密碼演算法。
2.進行或協助後量子密碼學專案(NIST競賽)。
3.鼓勵對後量子密碼學有興趣、熱忱，以進入國際密碼學相關產業為發展目標之工程師。
4.起聘時間彈性。
5/19
1.進行後量子密碼學領域 (Post-Quantum Cryptography) 研究，實作相關密碼演算法。
2.進行或協助後量子密碼學專案(NIST競賽)。
3.鼓勵對後量子密碼學有興趣、熱忱，以進入國際密碼學相關產業為發展目標之工程師。
4.起聘時間彈性。
[註]先以資訊人員起聘，俟個案申請通過，嗣後才能轉為專案研究工作人員
5/19
(1)大資料分析與機器學習研發:應用於空氣汙染防制警告
(2)複合神經網路:理論與雛型製作
(3)AI與惡意軟體分析與偵防
5/19
深度學習模型推論和訓練優化研究 (Optimization of Deep Learning Model Inference and Training)
Machine Learning Systems團隊的研究方向包括：平行與分散式計算、編譯器、以及計算機架構。我們利用電腦系統的技術加速深度學習模型推論和訓練，並研究下一世代機器學習模型的系統開發和優化。
我們的研究方向著重於：
1. 深度學習模型在異質環境的推論優化研究。
許多智慧型系統像是自駕車和語音助理，這些系統通常執行了許多複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。另一方面，近年來電腦發展朝向了異質且多處理器的架構設計 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合這些電腦上異質處理器來執行複雜模型並達到高效能的運算，是十分重要且具有挑戰性的研究。針對此問題，我們將研究 (1) 模型運算與異質處理器的分配方法，(2) 排程演算法設計，(3) 模型執行平行化：data parallelism, model parallelism, and tensor parallelism。
2. 模型壓縮和計算優化研究。
模型壓縮 (pruning and quantization) 透過降低模型容量與運算量，來達到模型執行加速，對於資源有限的計算平台如嵌入式系統，以及有限記憶體的AI加速器，是一項非常重要的技術。為了有效執行壓縮模型，許多次世代處理器設計了新的運算功能，例如向量運算 (AVX512, SVE) 和矩陣加速器 (matrix-multiplication unit on GPUs and NPUs) 等強化功能。我們將研究 (1) 如何利用這些強化運算功能加速壓縮模型的執行，(2) 各種計算平台，例如伺服器、邊緣裝置、異質系統等，佈署壓縮模型的方法。
3. 深度學習模型設計與訓練加速研究。
近年來，深度學習模型除了容量快速地增加，模型架構也變得越來越複雜，例如complex CNN and GNN模型、以及大型語言模型 (large language models)。我們將針對這些大型深度學習模型的訓練，研究加速訓練的方法。研究主題將包括平行計算，分散式計算，GPU使用優化，以及深度學習模型架構設計。
上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。
5/19
深度學習模型推論和訓練優化研究 (Optimization of Deep Learning Model Inference and Training)
Machine Learning Systems團隊的研究方向包括：平行與分散式計算、編譯器、以及計算機架構。我們利用電腦系統的技術加速深度學習模型推論和訓練，並研究下一世代機器學習模型的系統開發和優化。
我們的研究方向著重於：
1. 模型壓縮與計算優化研究。
模型壓縮技術 (pruning and quantization) 透過減少AI模型容量與運算量，實現模型執行加速，對於嵌入式系統等資源受限的計算平台以及記憶體有限的AI加速器至關重要。為了有效執行壓縮後的模型，許多次世代處理器設計了新的運算功能，例如向量運算 (Intel AVX512, ARM SVE, RISC-V RVV) 和矩陣加速器 (matrix-multiplication unit on GPUs and NPUs) 等強化功能。我們將研究 (1) 如何利用這些強化運算功能加速壓縮模型的執行，(2) 各種計算平台，例如伺服器、邊緣裝置、異質系統等的壓縮模型的佈署方法。
2. AI加速器設計。
針對深度學習模型的推理加速，在FPGA板上實現AI加速器硬體設計，並進行軟硬體協同設計與優化研究。
3. 異質環境下深度學習模型推論優化研究。
智慧系統如自駕車與語音助理，通常需執行複雜的深度學習模型 (complex deep learning models: hybrid models, multi-models, and multi-task models)。與此同時，電腦架構正朝向異質多處理器設計發展 (heterogeneous architecture: CPUs+GPUs+AI accelerators)。如何整合異質處理器來執行複雜模型並達到高效能的運算，成為一項關鍵且具挑戰性的研究。針對此問題，我們將探討以下方向：(1) 模型運算與異質處理器的分配策略，(2) 排程演算法設計，(3) 模型執行平行化方法，包括資料平行（data parallelism）、模型平行（model parallelism）與張量平行（tensor parallelism）。
上述研究議題為國內外深度學習系統領域之重要發展方向，產業界及學術界均需此方面人才。適合擬專心研究，未來從事學術工作者或研發工作者，對於未來規劃進修博士學位者, 本實驗室之研究計畫提供優良之訓練環境與研究經歷。
薪資：博士62776元起聘，該職缺係「適用勞動基準法」
5/19
參與多媒體技術、人工智慧與機器學習相關研究，近期本實驗室的研究議題著重於: (1) Image-Driven Motion In-Betweening; (2) Text-Driven 3D Human Motion Generation; (3) Music-Driven 3D Human Motion Generation; (4) 3D Human Mesh Recovery; (5) 3D Animal Mesh Recovery; and (6) Representation Learning。
智能客服 您好，我是您的智能客服 找頭鹿有任何問題都可以問我喔!