一、学校招生要求
基本学术要求
学位背景要求：申请者必须拥有认可大学的优秀学士学位，或同等学历资格。对于博士项目申请者需满足以下条件之一：
·拥有认可大学的学士学位且具有突出学术表现记录
·具有至少一年全日制或两年兼职研究生阶段的满意工作证明
成绩要求：申请Engineering相关博士项目需具备Electronic Engineering、Computer Engineering或相关科学工程领域的高荣誉学士学位，对于特殊情况下的优秀本科生（如First Class Honours或GPA 3.2以上），可直接申请博士项目。
英语语言要求
英语能力测试：母语非英语且本科学位非英语授课的申请者需满足以下要求之一：
·TOEFL iBT总分80分以上，或Paper-delivered Test 60分以上
·IELTS相关分数要求
·各院系可能设定更高的英语要求标准
豁免条件：若申请者的学士学位来自英语为教学语言的院校，可豁免英语测试要求。
申请材料与流程
必需文件包括：学位证书、成绩单、英语成绩、推荐信、个人陈述等。申请者需通过Online Admissions System提交完整申请。
面试环节：入围申请者将接受Face/Phone/Skype面试，这是录取流程的必要环节。
申请时间：2025-26学年秋季入学申请已开放，建议尽早提交申请。
二、教授研究方向
核心研究领域
Prof. Cheng的研究跨越多个前沿技术领域，主要包括：
超大规模集成电路（VLSI）设计与测试：作为该领域国际权威，Prof. Cheng在电路测试和设计验证方面贡献卓著，发表了500多篇技术论文，拥有12项美国专利。
医学影像分析：近年来重点发展的研究方向，涵盖多模态医学图像处理、疾病诊断AI系统开发等。从其最新发表论文可看出，团队在医学图像分割、异常检测、多模态融合等方面有重要突破。
计算机视觉与移动计算：专注于移动端计算机视觉应用、学习型多媒体计算等，致力于将AI技术在移动设备上高效实现。
电子设计自动化（EDA）：在电子和光子系统设计自动化领域深耕多年，相关技术已成功转化为商业产品。
最新研究成果
从2025年发表的论文看，Prof. Cheng团队在以下方向取得重要进展：
神经形态计算芯片：开发了用于可穿戴医疗设备的低功耗神经形态流水线系统，实现传感器-算法-处理器的联合优化设计。
医学影像AI：在体医学图像分割方面提出了基于MLP-Permutation的高效卷积方法，在医学图像质量增强和异常检测方面也有重要贡献。
存储内计算（CIM）加速器：开发了面向CIM加速器的设计优化方法，在28nm工艺下实现了高能效的CNN-Transformer混合加速器。
研究设施与合作
AI Chip Center for Emerging Smart Systems (ACCESS)：Prof. Cheng担任主任的研究中心获得4.43亿港元资助，汇集了四所世界知名大学参与，为博士生提供世界级研究平台。
跨学科合作项目：从项目列表可见，Prof. Cheng参与多个大型跨学科研究项目，涵盖老年护理AI技术、多模态医学诊断、智能集成电路设计等前沿领域。
三、创新研究想法
多模态医学AI诊断系统
研究方向：基于Prof. Cheng在医学影像分析和AI芯片设计的双重优势，可开展面向特定疾病的端到端AI诊断系统研究。具体可选择胰腺癌早期诊断（Prof. Cheng已有相关NSFC/RGC项目基础）、眼科疾病筛查（结合OCT/OCTA高质量成像系统项目）等方向。
创新点：将医学影像处理算法与专用AI芯片设计相结合，开发软硬件协同优化的诊断系统，在保证诊断精度的同时大幅降低功耗和成本，使AI诊断在资源受限环境下成为可能。
可行性：基于团队在neuromorphic computing和medical image analysis方面的技术积累，结合ACCESS中心的硬件设计能力，该方向具有很强的实现可能性。
可穿戴健康监测的边缘AI芯片
研究方向：开发面向个性化医疗的事件驱动自适应神经网络芯片（E-NPU），实现在极低功耗下的实时健康数据处理和疾病预警。
创新点：结合Prof. Cheng在event-driven neural computing和wearable healthcare方面的最新研究，设计支持多模型在线学习的存储内计算架构，实现从传感器数据采集到疾病预测的全流程片上处理。
应用价值：针对心律失常检测、睡眠质量监测、认知功能评估等具体应用场景，开发可以连续工作数月而无需充电的智能可穿戴设备。
基于数字存储内计算的AI推理加速器
研究方向：基于团队在Digital Computing-in-Memory compiler和混合存储架构方面的技术优势，开发面向大模型推理的高效硬件加速方案。
创新点：探索ReRAM-SRAM混合架构在Transformer模型推理中的应用，通过细粒度的存储层次设计和动态权重加载策略，在保证计算精度的同时显著提升能效比。
前沿性：随着大语言模型在医疗、教育等领域的广泛应用，低功耗高效推理硬件需求巨大。该研究方向结合了当前AI芯片设计的热点问题与Prof. Cheng团队的技术专长。
智能制造中的缺陷检测AI系统
研究方向：将Prof. Cheng在VLSI testing和computer vision方面的经验相结合，开发面向半导体制造和电子产品质检的智能视觉检测系统。
创新点：通过深度学习方法提升传统电路测试的效率和准确性，开发可以自适应不同产品类型和缺陷模式的通用检测平台。
产业价值：结合香港作为亚洲制造业中心的地位优势，该研究方向具有很强的产业转化潜力，符合ACCESS中心推动AI技术产业化应用的目标。
【竞赛报名/项目咨询+微信：mollywei007】
