2026 年 1 月 20 日下午，B2-103 教室学术氛围浓厚，信息科技学院 “新春学术沙龙” 系列活动如期举行。本次沙龙由学院党委副书记丁健龙主持，我院新引进教师张良富博士带来题为 “基于图论与复杂网络的神经网络结构优化及压缩” 的专题报告，学院教师齐聚现场，共赴学术盛宴。

活动伊始，丁健龙副书记首先介绍了张良富博士。他表示，张良富博士在神经网络优化与复杂网络研究领域深耕多年，学术成果丰硕，其加盟为学院相关学科建设注入了新鲜血液。丁书记强调，学院始终重视人才引进与学术交流，希望通过系列学术沙龙搭建思想碰撞的平台，助力师生拓宽研究视野，提升科研创新能力。

报告中，张良富博士围绕大模型发展的核心痛点与创新解决方案展开分享。他指出，随着 GPT 系列等模型参数规模持续膨胀、上下文长度不断增长，显存瓶颈、延迟过高及算力需求激增等问题已成为行业发展的主要制约。通过生动的模型架构图与具体数据，他直观展示了 KV 缓存占用公式与注意力计算二次方复杂度带来的性能挑战，让在场师生对技术瓶颈有了清晰认知。

在梳理研究现状时，张良富博士系统解读了剪枝、量化、蒸馏、低秩自适应等主流优化技术，详细分析了 SparseGPT、GPTQ、MiniLLM 等代表性方法的原理与应用场景，同时指出当前技术普遍存在缺乏全局优化视角、忽视拓扑结构信息等共性缺陷。报告核心部分，他重点阐述了团队基于图论与复杂网络的创新研究思路，提出建立神经网络与图结构的双射映射，通过 PageRank、SimRank 等图论算法实现全局优化，并探索剪枝、索引、抽样多层次协同压缩的技术路径。他通过具体的矩阵示例与迭代计算数据，展示了图论方法在挖掘节点关联、优化网络拓扑中的独特优势，为解决传统技术痛点提供了新方向。此外，他还分享了研究中的初步成果与待解问题，引发在场师生的深入思考。

互动环节，张良富博士耐心解答了老师关于大模型压缩工程实现、图论算法适配性等问题，现场交流氛围热烈。

报告结束后，丁健龙副书记作总结发言。他对张良富博士的精彩分享给予高度评价，认为报告内容兼具理论深度与实践价值，为学院相关领域研究提供了重要参考。随后，丁书记通报了学院 2025 年度二级考核情况，肯定了全院教师在科研工作中取得的成绩，同时也指出了存在的不足。针对后续工作，他强调，学院将聚焦 “有组织的科研”，进一步整合学科资源、凝聚研究方向，鼓励老师围绕国家战略需求与行业痛点开展攻关。他要求各科研团队加强协同合作，强化成果转化，推动学院科研工作再上新台阶，为学科建设与人才培养提供更强支撑。

此次学术沙龙不仅让老师们领略了神经网络优化领域的前沿动态，也明确了学院后续科研工作的重点方向。老师们纷纷表示，将以此次活动为契机，加强学术交流与团队协作，积极投身有组织的科研实践，为学院高质量发展贡献力量。