动态神经网络嵌入式软件博士项目

项目概览

该博士项目关注嵌入式人工智能在部署后的动态自适应能力，目标是让设备能够直接在本地对神经网络进行压缩、重构和优化。

项目隶属于 KU Leuven 的 EAVISE 研究组中的 Embedded Systems 单元，研究重点位于嵌入式软件、编译器系统和高效 AI 部署的交叉处。

课题面向资源受限设备上的深度神经网络，强调能耗、内存占用与计算需求的动态优化。

公开信息显示，该职位申请截止时间为 2026 年 8 月 31 日，并提供最长 4 年的博士资助。

项目详情

项目背景指出，现代嵌入式 AI 系统广泛依赖运行在可穿戴设备、智能传感器、hearables 和物联网节点等资源受限平台上的深度神经网络。现有部署方法可以在部署前对模型进行优化，但一旦软件进入设备生命周期，系统往往保持静态，能耗、内存和计算需求也随之固定，即使应用场景或环境条件发生变化也难以调整。因此，该课题提出一个新的嵌入式 AI 范式：让设备在部署后仍能在本地动态压缩并适配神经网络。

研究目标是开发软件方法，使已部署的神经网络能够在不牺牲应用性能的前提下，逐步降低资源占用。项目把这一思路类比为人类通过训练持续优化体能，但这里的对象是嵌入式设备上的神经网络。围绕这一目标，研究内容包括运行时可重配置的神经网络软件内核、面向自适应 AI 工作负载的性能模型、用于内存感知部署的端侧搜索与优化引擎、能够支持动态神经网络拓扑的编译器与运行时系统，以及面向 RISC-V 多核和异构计算平台的高能效嵌入式 AI 框架。

项目不仅是嵌入式软件研究，也强调与真实硬件平台上的验证结合。公开信息说明，研究将把基础性工作与最先进的嵌入式 AI 硬件平台上的实践测试结合起来，期望在理论与实现之间形成闭环。成功的研究结果有望显著延长电池续航时间，并支持下一代自适应、可持续的嵌入式 AI 系统。

团队方面，EAVISE 是一个多学科研究组，开发面向真实应用的前沿 AI、嵌入式计算、计算机视觉和边缘智能解决方案；Embedded Systems 单元则聚焦硬件-软件协同设计、AI 部署工具和面向未来智能设备的高能效计算。项目因此适合希望在嵌入式系统与 AI 部署之间建立深度交叉训练的申请者。

申请要求方面，候选人需要对嵌入式系统和 Embedded AI 的硬件-软件设计有强烈兴趣，并持有电气工程、计算机工程或等效学科的硕士学位；尚未毕业但预计年底前完成学位的硕士生也可申请。项目特别推荐有嵌入式领域 C/C++ 编程经验，或具备软件工程与编译器背景的候选人；在计算机体系结构和嵌入式平台方面有扎实基础也很重要，例如 ARM Cortex-M、NPU、FPGA 或嵌入式 GPU。研究经验，例如硕士论文或科研实习，被视为加分项；深度学习和人工智能经验也是加分条件。英语要求很高，候选人还需具备良好的口头与书面沟通能力，以及在国际团队中协作的能力。

资助方面，项目提供最长 4 年的博士奖学金，具体是否延续取决于中期评估结果。项目还说明研究环境强调理论与实现结合、跨学科训练和国际交流；资助内容包括有竞争力的薪资或免税博士津贴，并报销通勤费用。候选人还有机会参加国际会议、研讨会，并与欧盟及 KU Leuven 的优秀研究团队开展合作；工作安排在与博士导师协商后可保持一定灵活性。

申请材料方面，除申请系统要求的文件外，还必须提交：一份最长 4 页的硕士论文摘要，若尚未毕业，则提交正在进行的论文工作的摘要；一份最长 3 页的相关技术项目摘要，内容可来自学业、实习、工作经历或个人项目；更新后的 CV，需清楚写明学习时长和预期毕业日期，并列出最多三位可联系的推荐人。申请页面明确指出，只有通过官方申请渠道提交的申请才会被考虑。

联系人为 Prof. dr. ir. Manuele Rusci。

申请要点

• 学历要求：电气工程、计算机工程或等效专业硕士；预计年底前毕业的硕士生也可申请。

• 技能偏好：嵌入式 C/C++、软件工程、编译器、硬件-软件协同设计、AI 部署、深度学习经验。

• 平台背景：ARM Cortex-M、NPU、FPGA、嵌入式 GPU、RISC-V 多核和异构计算平台。

• 研究任务：部署后动态压缩与适配神经网络、运行时重配置内核、性能模型、端侧搜索优化、编译器与运行时支持。

• 资助信息：最长 4 年博士奖学金，视中期评估而定；提供竞争性薪资或免税博士津贴、通勤报销、会议与合作机会。

• 申请材料：4 页硕士论文摘要或在读论文摘要、3 页相关技术项目摘要、CV、最多 3 位推荐人信息。

• 申请要求：CV 需注明学习时长和预期毕业日期；仅接受官方申请渠道提交的申请。

• 联系人：Prof. dr. ir. Manuele Rusci。

• 申请时间：2026 年 8 月 31 日。

需要进一步确认

• 页面未明确说明奖学金金额、学费覆盖与否，以及税免津贴的具体计算方式。

• “up to 4 years” 仅说明最长期限，未细化每一年的续期评估标准。

• 官方申请系统本身需要提交哪些附加材料，页面只写“系统要求的文件”，未逐项展开。

PhD 项目深度调研报告：PhD in Embedded Software for Dynamic Neural Networks

执行结论

推荐标签：Strong but verify fit。 截至 2026 年 8 月 13 日，KU Leuven 官方岗位页面仍显示该职位开放申请，截止时间为 2026 年 8 月 31 日（Europe/Brussels）（S01）。这个项目的吸引力主要来自三个方面：招聘主题表述清晰，Prof. Manuele Rusci 近年的研究方向与课题高度一致，EAVISE 的嵌入式 AI 环境也与项目要求直接匹配。与此同时，这也是一个要求很高的系统型博士，核心工作横跨 embedded C/C++、compiler/runtime systems、performance modelling、动态 DNN 适配，以及受限硬件上的实证验证。

主要风险不在学术方向，而在实际执行条件。岗位说明写明提供最长四年的博士资助，并提到有竞争力的 salary 或 tax-free PhD grant，但没有公开月度到手金额、学费或注册费如何处理、社保类别、以及逐年续聘的具体标准（S01；S02）。公开信息中也没有发现国籍限制、安全审查要求，或针对中国申请者的排除条件。就公开条件看，中国内地申请者如果学术背景匹配，原则上具备申请资格，但非 EEA 的 HR/签证流程，以及是否涉及 CSC 路径，仍应单独核实（S21；S22）。

学校、项目与地点信号

KU Leuven 对工程技术方向博士来说，学校背景较强。学校官方 facts 页面列出的核心排名为 THE 2026 第 46、QS 2026 第 60、ARWU 2025 第 76（S09）。THE 还将 KU Leuven 列为 2026 年 Computer Science 第 48、Engineering 第 50（S10）。工程学院的官方排名汇总也把该校描述为比利时领先的工程研究环境之一（S12）。

与该岗位直接相关的博士培养框架属于 KU Leuven 的 Science, Engineering & Technology group 和 Arenberg Doctoral School，而不是授课型项目（S07）。SET 的博士条例写明，申请者通常需要相关的 Flemish master's degree 或等同高等教育学位，并应达到 distinction 或同等水平，同时具备相应语言能力（S08）。

地点信息需要仔细确认。岗位标题写的是 Leuven, Belgium，但 EAVISE 主页和 Rusci 在 EAVISE 的个人页都把嵌入式方向与 Campus De Nayer in Sint-Katelijne-Waver 联系起来（S01；S05）。申请者应进一步确认主要办公地点、通勤安排，以及是否需要在 Leuven/Arenberg 与 Campus De Nayer 之间分布工作。

导师与团队评估

导师研究方向

KU Leuven 官方 Who's Who 页面显示，Manuele Rusci 是 Faculty of Engineering Technology 的 tenure-track assistant professor，并与 Processing Speech and Images (PSI) 和 ESAT 相关联（S03）。他的近期项目明确涉及 dynamic neural networks、embedded AI compilers、self-adaptive edge AI 和 personalized on-device machine learning。这说明这次招聘并不是宽泛的题目包装，而是直接落在导师当前持续推进的研究线上。

EAVISE 将自己定义为一个多学科团队，面向真实应用开发 computer vision、AI、embedded computing 与 edge intelligence 方案，并强调在 GPUs、DSPs、FPGAs 等嵌入式平台上做算法优化（S04）。对于一个同时要求基础 compiler/runtime 研究和硬件验证的博士项目，这样的团队环境是匹配的。

近期重要论文

近期论文证据较强。Rusci 的 KU Leuven 页面列出了多篇 2024 至 2026 年与 ultra-low-power embedded AI 和 on-device learning 相关的论文（S03）。其中最直接支撑本项目的三篇是：

• Self-Learning for Personalized Keyword Spotting on Ultralow-Power Audio Sensors：研究部署后在超低功耗音频传感器上进行自学习，利用 pseudo-labels 和低功耗处理支持个性化适配（S13）。
• On-Device Domain Learning for Keyword Spotting on Low-Power Extreme Edge Embedded Systems：展示在极低内存和能耗预算下进行 domain adaptation 的可行性，并被 IEEE AICAS 2024 接收（S14）。
• Multimodal On-Device Learning for Monocular Depth Estimation on Ultralow-Power MCUs：把 on-device learning 扩展到 ultralow-power MCU 上的 depth estimation 任务（S16）。

这些论文共同支持了岗位的核心前提：部署后的神经网络可以在受限设备上继续适配甚至学习，但前提是内存、能耗与软件栈设计都要控制得很严密。

实验室、资源与合作环境

EAVISE 的公开定位偏应用导向，也带有明显的产业合作色彩，覆盖 industrial automation、traffic monitoring、e-health、agriculture 以及 embedded AI implementation（S04）。PSI 研究门户则把更大的学术环境放在 AI、multimedia processing、signal processing 和 computer engineering 的交叉区域（S06）。当前真正缺的不是声誉，而是操作层细节。公开资料没有说明这个博士项目启动时可保证的硬件清单、co-supervision 团队、EU/industry partners，或发表时可能涉及的约束条件。

研究方向与领域前景

领域进展

这个项目切中的确是 embedded AI 的一个前沿问题。当前部署流程通常只在部署前优化模型，而岗位说明提出的问题是：神经网络在部署后，能否继续在资源受限设备上动态压缩、重配置并适配环境变化（S01）。Rusci 的 on-device learning 项目页也把这一方向表述为，从 train-once-deploy-everywhere 的静态假设，转向 microcontroller 级别的持续适配（S17）。

EU 层面的政策信号也支持这一方向的持续性。2026 State of the Digital Decade package 提到半导体短板、AI adoption、edge-node 进展、算力压力和 ICT-specialist shortages（S24）。European Commission 的 Chips Act 2.0 proposal 也明确涉及 AI、embedded AI chips 以及 semiconductor competence-centre skills（S25）。

潜在研究切入点

较可能形成论文产出的方向包括：runtime-reconfigurable DNN kernels、memory-aware on-device search、支持动态拓扑的 compiler/runtime、adaptive workloads 的 performance/energy models，以及在 RISC-V 或 heterogeneous platforms 上做验证。更稳妥的一年级策略，往往是先围绕一个较窄的 benchmark family 展开，例如 keyword spotting、compact vision、sensor fusion 或 depth estimation，再以此证明在 memory、energy、latency 或 accuracy 上的可量化收益。

职业与市场前景

职业前景总体偏积极。EURES 对比利时劳动力市场的说明提到 vacancy 和 shortage 背景，其中包括 science and engineering associate professionals，同时 digitalisation 仍是重要趋势（S23）。再结合 EU 在半导体和 AI 芯片方向的政策投入，这个博士可以支撑 embedded AI、edge computing、compiler/runtime engineering、semiconductor toolchains、research engineering、low-power ML systems 和 applied R&D 等方向的发展。它的职业价值很大程度上取决于是否能产出可见的 systems artifacts，例如代码、benchmark、硬件测量结果和论文。

资助、申请与生活成本

资助框架看起来不错，但信息并不完整。岗位说明写明提供最长四年的博士资助，续期取决于 positive intermediate evaluations，并提到有竞争力的 salary 或 tax-free PhD grant 以及 commuting reimbursement（S01）。KU Leuven 的 PhD HR 页面进一步说明，doctoral scholarship holder 的 net wage 与 assistant 相同，但具体 scholarship amount 会在入职时计算，且 staff 与 scholarship 身份下的福利可能不同（S02）。

生活成本方面，公开信息显示，这类带资助的 KU Leuven 博士在财务上大体可行，但空间主要取决于住房。KU Leuven 的费用估算页面给出每月 600-900 EUR 的生活开销区间，且不含房租，同时还有多项初到成本；工程学院 FAQ 还给出过一个示例，student housing 约 360 EUR/月，其他支出至少 400 EUR/月（S19；S20）。如果是 private rent，再叠加签证、医保启动、押金和往返旅行费用，第一年现金压力会明显上升。

对中国申请者而言，KU Leuven 确实有面向 Science, Engineering & Technology 的 CSC-KU Leuven scholarship route，但这次岗位本身看起来更像 KU Leuven 自带资助的博士职位，并没有明确写成 CSC topic（S22）。更稳妥的做法，是把 CSC 视为一个需要单独确认的问题，而不是默认资助来源。

申请者匹配度与准备建议

更适合的背景

这个项目更适合 electrical engineering、computer engineering、embedded systems、computer architecture 或相近方向的硕士背景。较强的匹配证据包括 embedded C/C++、low-level profiling、microcontroller 或 RISC-V 开发经验、accelerator 或 FPGA 暴露、compiler/runtime 工作、model compression、TinyML，以及能耗或内存测量经验。

需要谨慎的情况

如果申请者是偏纯 machine learning 的背景，但缺少 embedded systems implementation，可能会在 hardware/software co-design 的要求上吃力。反过来，如果是偏纯 embedded 的背景，但没有 DNN deployment 或 adaptation 经验，也需要证明自己能够快速补足 ML 部分。对于必须在申请前拿到明确 stipend 和 visa 条款的人，这个岗位也要更早与 KU Leuven HR 和导师沟通，因为公开页面目前没有给出足够细的财务信息。

建议重点展示的能力证据

岗位要求额外提交 master's thesis summary 和 technical-project summary，这其实是很强的筛选信号（S01）。这些材料最好能够具体展示系统能力：使用了哪些硬件、测了哪些约束、实现了哪些代码、在 speed/memory/energy/accuracy trade-off 上取得了什么结果，以及申请者本人具体负责了什么部分。

风险与待核实问题

高优先级问题

1. 每月到手金额究竟是多少，岗位身份是 tax-free doctoral scholarship 还是 employment salary？
2. 对非 EEA 博士研究者而言，tuition、doctoral enrolment fees、health insurance 和 social-security contributions 是否全部覆盖？
3. 主要工作地点究竟在 Leuven、Campus De Nayer，还是分布在多个校区？相应的 commuting reimbursement 如何计算？
4. 项目启动时可以保证哪些硬件平台、RISC-V boards、NPUs、FPGAs、embedded GPUs、toolchains 和实验室支持？
5. 奖学金能否覆盖完整四年，其中 intermediate evaluation 的具体标准是什么？

中优先级问题

1. 除 Prof. Manuele Rusci 外，是否还有 co-supervisors、industry collaborators 或 EU project partners？
2. 预期 start date 是什么，2026-08-31 截止后，HR/visa 流程是否能承接中国内地申请者？
3. 该课题是否直接接入 Rusci 页面列出的 dynamic neural network 或 embedded AI compiler 项目？
4. 如果项目使用 partner hardware、proprietary toolchains 或 externally funded platforms，发表自由度有多大？
5. 导师认为第一年最现实的 benchmark 或 demonstrator 是什么？

证据与来源

核心项目与学校信息

• S01
• S02
• S07
• S08
• S09
• S10
• S12

导师、团队与论文

• S03
• S04
• S05
• S06
• S13
• S14
• S16
• S17

资助、生活与政策环境

• S19
• S20
• S21
• S22
• S23
• S24
• S25