2024年7月18日，在澳大利亚墨尔本举行的2024年遗传与演化计算大会（The Genetic and Evolutionary Computation Conference, GECCO 2024）上，我系程然课题组荣获最佳论文奖。论文名称：《Tensorized NeuroEvolution of Augmenting Topologies for GPU Acceleration》。该论文第一作者为我系23级硕士研究生王力爽，第二、第三作者分别是22级本科生赵孟飞、刘恩宇，第四作者为22级硕士研究生孙克斌，通讯作者为我系程然副教授。

获奖证书

遗传与演化计算大会

遗传与演化计算大会（The Genetic and Evolutionary Computation Conference，GECCO）是计算智能领域最具权威性和影响力的国际会议之一，由ACM SIGEVO主办。GECCO每年汇聚全球顶尖的研究人员和学者，交流和展示在演化计算方面的最新研究成果。自1999年首次举办以来，GECCO已经发展成为演化计算领域的旗舰会议，其学术水平和影响力在国际上备受认可。

成果简介

增强拓扑神经演化算法（NeuroEvolution of Augmenting Topologies Algorithm, NEAT）由Kenneth Stanley及Risto Miikkulainen于2002年提出，在人工智能、机器人控制、自动驾驶等领域产生了重要影响。然而，面对大规模问题时，传统NEAT算法在计算效率上的局限性逐渐显现。为了解决这一难题，程然副教授带领团队研发了TensorNEAT算法库。通过张量化技术，NEAT及其衍生算法（包括CPPN、HyperNEAT）能够全面支持GPU加速。

针对NEAT算法的张量化方法

张量化（tensorization）作为一种将数据结构和运算符转换为张量形式的技术，特别适合在GPU上进行高效的并行计算。TensorNEAT将NEAT算法中多变的网络拓扑结构统一转换为张量形式，实现了NEAT算法中的关键操作在整个种群上并行执行，显著增强了算法的计算效率。实验结果表明，与传统的NEAT算法相比，TensorNEAT在不同任务和硬件上的速度提升高达500倍以上。目前，TensorNEAT已在GitHub开源：https://github.com/EMI-Group/tensorneat。

拓展阅读

NEAT算法的发明者Kenneth Stanley曾担任Uber Core AI 研究院主任，之后在OpenAI担任Open-Endedness Team负责人，为推动演化计算的工业化应用做出了巨大贡献。值得一提的是，Kenneth Stanley正是畅销书籍《为什么伟大不能被计划》的作者。

NEAT算法发明者Kenneth Stanley的著作

在2024年南方科技大学毕业典礼上，薛其坤校长特别推荐了该书籍。薛校长引用书中的观点，勉励毕业生：“科研其实是5%的成功与95%的失败的总和。我们只能不断用5%的欣喜去抚平95%的沮丧、焦虑与迷茫，然后继续前行。创新的过程也是如此。失败本身就是创新的一部分。我们应该用更开放的心态去拥抱失败、用更平和的心态去习惯失败，通过大胆求索与不断试错，实现真正具有革命性意义的创新。因此，只有一种方法论，那就是站起来，走下去。但行前路，无问西东，终有一天我们会迎来一番新景象。”