2026年10月30日，第三届中欧科学家论坛在德国法兰克福举行。韩国庆北国立大学教授Dong Seog Han出席机器人平行论坛，并发表题为“超越顺序连接与跳跃连接：作为人工智能网络下一代范式的超立方体拓扑”（Beyond Sequential and Skip-Connections: Hypercube Topologies as the Next Paradigm for AI Networks）的主题演讲，围绕深度神经网络的结构设计与优化挑战，介绍了基于高维超立方体拓扑的新型网络架构及其技术特点。

Dong Seog Han教授简介：现任韩国庆北国立大学电子与电气工程学院教授、信息通信技术与汽车融合中心（CITAC）主任，并自2026年7月起担任该校科研副校长。

他于1987年获得庆北国立大学电子工程学士学位，并分别于1989年和1993年获得韩国科学技术院（KAIST）电气工程硕士及博士学位。1987年至1996年，他任职于三星电子，从事通信系统研发工作，随后于1996年加入庆北国立大学。其间，曾担任美国佛罗里达大学电气与计算机工程系兼职副教授，以及韩国信息技术促进院（IITA）数字电视与广播中心主任。

其研究领域涵盖人工智能、智能信号处理、自动驾驶、计算机视觉及智能交通系统等，已发表150余篇SCIE收录期刊论文，并拥有多项国内外专利。他是IEEE高级会员，曾在多个国际学术会议、期刊及专业学术组织中担任领导职务。

报告的主要内容：

本次演讲围绕深度神经网络的结构设计展开，重点介绍了传统顺序连接与跳跃连接架构面临的局限，以及基于高维超立方体拓扑的新型神经网络设计方法。

报告指出，长期以来，人工智能技术的发展在很大程度上依赖于顺序连接和跳跃连接神经网络架构。尽管这些架构取得了显著成果，但网络深度的增加并不必然带来性能提升，反而可能引发梯度退化、训练稳定性下降等优化问题。

针对上述挑战，报告介绍了一种基于高维超立方体拓扑的新型网络架构。与传统线性或残差式网络结构不同，该方法将神经网络层映射至n维超立方体的各个顶点，并依据其拓扑连接关系建立信息传递路径。通过这一设计，网络的有效深度得以显著降低，同时形成多样化且相对较浅的计算路径。

根据演讲摘要，该架构能够提高梯度传播效率，改善优化过程的稳定性，并在不依赖残差捷径连接的情况下保持网络的可训练性。此外，该架构还表现出较强的数值鲁棒性，能够在不借助额外精度保持技术的情况下，支持纯半精度（FP16）运算环境中的稳定训练。

报告的主要观点：

报告指出，单纯增加神经网络深度并不一定能够持续改善模型性能，网络内部的拓扑连接方式同样是影响模型优化与训练稳定性的重要因素。

基于高维超立方体拓扑的网络设计，通过重新组织神经网络层之间的信息传递路径，为改善梯度传播、优化稳定性及数值鲁棒性提供了新的技术思路。其在纯FP16运算环境下保持稳定训练的特性，也体现了该架构在未来大规模、资源高效型人工智能系统中的应用潜力。

报告进一步探讨了以拓扑结构为核心的神经网络设计方向，为超越传统顺序式网络架构、探索下一代人工智能网络提供了新的研究视角。

（文 竭颖异）