存内计算应用场景探索

20/24存内计算应用场景探索第一部分存内计算在机器学习中的应用 2第二部分存内计算在数据库查询的加速 4第三部分存内计算在图像和视频处理方面的应用 7第四部分存内计算在金融领域的高频交易 10第五部分存内计算在物联网边缘计算中的作用 13第六部分存内计算在生物信息学和基因组分析 15第七部分存内计算在气候模拟和天气预报 18第八部分存内计算在材料科学和药物发现 20

第一部分存内计算在机器学习中的应用存内计算在机器学习中的应用

存内计算是一种新型的计算范式，它可以在内存中执行数据处理操作，从而消除数据传输的延迟，大幅提升计算效率。在机器学习领域，存内计算技术具有广阔的应用前景。

1.神经网络训练

存内计算可以显著加速神经网络的训练过程。传统的神经网络训练需要将数据从内存加载到处理器，然后进行计算，然后再将结果写回内存。这个过程会产生大量的内存带宽开销，从而成为训练速度的瓶颈。

存内计算通过在内存中执行神经网络运算，消除了数据传输的延迟。这使得训练过程可以更加高效，从而缩短训练时间并提高训练效率。例如，谷歌的研究人员发现，使用存内计算技术可以将神经网络的训练速度提高10倍以上。

2.图像处理

存内计算在图像处理领域也有广泛的应用。图像处理任务通常需要对大量的数据进行密集的计算，例如图像滤波、分割和分类。传统的图像处理算法依赖于处理器上的串行计算，这会消耗大量时间。

存内计算可以通过并行处理图像数据来实现图像处理任务的加速。例如，使用存内计算技术可以实现图像滤波的并行化，从而大幅提升滤波效率。此外，存内计算还可以加速图像分割和分类任务的处理，提高图像处理的整体性能。

3.自然语言处理

自然语言处理任务涉及到对文本数据的处理，包括文本分类、情感分析、机器翻译等。这些任务通常需要对大量的文本数据进行复杂的操作，导致计算量大且处理时间长。

存内计算可以通过并行处理文本数据来加速自然语言处理任务。例如，在文本分类任务中，存内计算可以并行计算每个单词的特征，然后将这些特征聚合起来进行分类，从而大幅提升分类速度。此外，存内计算还可以加速情感分析和机器翻译任务的处理，提高自然语言处理的整体效率。

4.推荐系统

推荐系统广泛应用于电子商务、社交媒体和流媒体服务等领域。推荐系统需要对用户数据、物品数据和交互数据进行复杂的处理，才能生成个性化的推荐结果。

存内计算可以加速推荐系统的计算过程。例如，在基于协同过滤的推荐系统中，存内计算可以并行计算用户相似度和物品相似度，然后根据相似度进行推荐，从而显著提升推荐的速度和准确率。此外，存内计算还可以加速用户特征提取、物品嵌入和推荐模型训练等任务的处理，提高推荐系统的整体性能。

5.数据挖掘

数据挖掘任务涉及到从大量数据中发现有价值的模式和见解。这些任务通常需要对数据进行复杂的处理，包括数据预处理、特征提取、模型训练和推理等。

存内计算可以加速数据挖掘任务的处理过程。例如，在数据预处理阶段，存内计算可以并行处理数据清洗、数据转换和数据归一化任务，从而提升数据挖掘的效率。此外，存内计算还可以加速特征提取、模型训练和推理任务的处理，缩短数据挖掘的总体时间。

6.欺诈检测

欺诈检测任务需要对大量交易数据进行实时分析，以识别欺诈行为。传统的欺诈检测算法依赖于处理器上的串行计算，这会消耗大量时间，可能导致欺诈行为的漏检。

存内计算可以通过并行处理交易数据来实现欺诈检测任务的加速。例如，存内计算可以并行计算每个交易的风险评分，然后根据评分进行欺诈检测，从而大幅提升欺诈检测的速度和准确率。此外，存内计算还可以加速欺诈模式发现和欺诈模型训练任务的处理，提高欺诈检测的整体性能。

总之，存内计算技术在机器学习领域具有广泛的应用前景。通过在内存中执行数据处理操作，存内计算可以消除数据传输的延迟，大幅提升计算效率。在神经网络训练、图像处理、自然语言处理、推荐系统、数据挖掘和欺诈检测等方面，存内计算技术都展现出了显著的加速效果，为机器学习的实际应用提供了新的机遇。第二部分存内计算在数据库查询的加速关键词关键要点【存内计算在数据库查询的加速】

1.存内计算可直接在内存中处理数据，减少数据访问延迟，显著提升查询性能。

2.针对OLTP等实时性要求高的场景，存内计算可有效降低数据访问时间，实现快速查询响应。

3.利用存内计算的并行处理能力，可以同时处理多个查询请求，提升数据库并发处理能力。

【存内计算与索引优化】

存内计算在数据库查询的加速

背景

随着数据量和查询复杂度的不断增长，传统数据库系统面临性能瓶颈，存内计算作为一种新的计算范式应运而生。存内计算将热数据全部驻留在内存中，通过直接访问内存数据，可以大幅提升数据库查询性能。

原理

存内计算通过将数据加载到内存中，避免了传统数据库系统中频繁的磁盘访问。它采用了列式存储格式，将数据按照列组织，可以有效减少查询所需的数据量。此外，存内计算还采用了向量化执行引擎，可以并行处理多个数据行，进一步提升查询速度。

应用场景

1.实时分析

存内计算非常适合实时分析场景，需要快速处理大量数据并生成结果。例如，金融交易、网络安全监控和欺诈检测等应用。

2.数据仓库

数据仓库通常包含大量历史数据，需要频繁进行复杂查询。传统数据库系统在这种场景下性能较低，而存内计算通过将数据加载到内存中，可以大幅提升查询速度。

3.决策支持系统

决策支持系统需要基于大量数据进行交互式查询和分析。存内计算可以提供极快的响应时间，满足决策者的实时需求。

4.在线事务处理

在线事务处理（OLTP）系统通常需要处理大量事务，需要具备高吞吐量和低延迟。存内计算可以通过减少磁盘访问，提升事务处理性能。

5.物联网

物联网设备会产生大量传感器数据，需要快速处理和分析。存内计算可以帮助物联网系统实时处理数据，做出及时决策。

技术优势

*极高的查询性能：存内计算通过直接访问内存数据，避免磁盘访问延迟，可以大幅提升查询速度。

*线性可扩展性：存内计算系统可以随着服务器数量的增加线性扩展，满足不断增长的数据量和查询需求。

*低延迟：存内计算消除了磁盘访问延迟，可以提供毫秒级的查询响应时间。

*高吞吐量：存内计算可以并行处理大量查询，实现高吞吐量的查询处理能力。

应用案例

1.京东：京东采用存内计算技术，大幅提升了实时数据分析和个性化推荐的性能。

2.美团：美团使用存内计算加速了外卖订单处理，提升了订单交付效率。

3.蚂蚁金服：蚂蚁金服将存内计算应用于欺诈检测系统，实现了毫秒级的欺诈识别响应。

结论

存内计算通过将热数据加载到内存中，大幅提升数据库查询性能。它在实时分析、数据仓库、决策支持系统、在线事务处理和物联网等场景中具有广泛的应用前景。随着内存成本的不断下降，存内计算将成为未来数据库系统发展的趋势。第三部分存内计算在图像和视频处理方面的应用关键词关键要点【图像增强】：

1.实时图像增强技术，利用存内计算实现快速且低功耗的图像处理，提升图像对比度、清晰度和色彩准确度。

2.降噪算法优化，集成神经网络模型，在存内计算架构下提高图像降噪效率，降低噪声干扰，提升图像质量。

3.超分辨率图像重建，结合存内计算的并行处理能力，实现快速多帧图像融合，提高图像分辨率，获得更好细节表现。

【视频编码】：

存内计算在图像和视频处理方面的应用

存内计算(IMC)是一种突破性的处理范例，它将计算直接带入存储设备，从而消除了传统计算架构中数据移动的瓶颈。在图像和视频处理等数据密集型领域，存内计算具有巨大的潜力，因为它能够显著提高性能并降低能耗。

1.图像增强和修复

*超分辨率(SR)：存内计算可加速超分辨率算法，该算法将低分辨率图像转换为高分辨率图像。利用存内计算的并行性，可以在存储设备上高效处理大规模数据块，从而提高图像质量和减少处理时间。

*去除噪声：图像噪声会降低图像质量。存内计算可用于实时执行降噪算法，利用存储设备中大量并行的处理单元来快速处理大图像数据集。

*图像修复：图像修复涉及修复损坏或模糊的图像。存内计算可以加速图像修复算法，从而实现快速有效地恢复图像。

2.视频处理

*视频编解码：视频编码（压缩）和解码（解压缩）是视频处理中的关键步骤。存内计算可通过在存储设备上执行这些操作来提高视频处理速度。

*视频稳定：视频稳定算法可消除视频中的抖动和运动模糊。存内计算可加速这些算法的执行，从而实时稳定视频。

*视频对象检测和跟踪：存内计算可加速视频对象检测和跟踪算法，这些算法可识别和跟踪视频中的对象。这对于视频分析、安全性和监视至关重要。

3.计算机视觉

*图像分类和识别：存内计算可提高图像分类和识别算法的速度，这些算法可识别图像中的对象和场景。

*物体检测：物体检测算法可识别图像或视频中的物体。存内计算可加速这些算法的执行，从而提高检测准确性和速度。

*语义分割：语义分割算法可将图像分割成具有不同语义标签的区域。存内计算可加速这些算法的执行，从而提高分割精度和效率。

案例研究

*微软ProjectBrainwave：微软开发了一种用于图像分类的IMC芯片。该芯片将计算带入存储器，将图像处理速度提高了一个数量级。

*三星SSD990Pro：三星推出了配备IMC功能的SSD。此SSD可加速视频编辑、图像处理和其他数据密集型操作。

*英特尔Optane：英特尔开发了Optane技术，将IMC与3DXpoint内存相结合。该技术可显著提高图像和视频处理应用程序的性能。

好处

*减少数据移动：存内计算消除数据在内存和存储设备之间移动的需要，从而减少延迟和能耗。

*高吞吐量：存内计算利用存储设备的大量并行处理单元，实现高吞吐量数据处理。

*低延迟：IMC消除了数据移动的延迟，从而实现近乎实时的图像和视频处理。

*降低能耗：通过减少数据移动，IMC可降低能耗，使其非常适合移动和嵌入式设备。

总的来说，存内计算为图像和视频处理提供了许多好处。它通过在存储设备上执行计算操作来减少延迟、提高吞吐量和降低能耗，从而提高了算法性能并扩大了实时应用程序的可能性。随着IMC技术的不断发展，预计其在图像和视频处理领域将发挥越来越重要的作用。第四部分存内计算在金融领域的高频交易关键词关键要点存内计算在金融领域的高频交易

1.存内计算的低延迟特性可大幅缩短高频交易的执行时间，从而提升交易效率。

2.存内计算能够处理大量实时数据，帮助交易员快速识别交易机会并做出决策。

3.存内计算的并行计算能力可支持高频交易策略的快速部署和执行。

存内计算在金融领域的欺诈检测

1.存内计算可实时分析交易数据，识别可疑交易模式并触发预警。

2.存内计算的机器学习技术可建立更加准确的欺诈检测模型，提高检出率。

3.存内计算的分布式特性可支持大规模欺诈检测，覆盖多种交易渠道和平台。存内计算在金融领域的应用：高频交易

背景

金融领域的交易速度近年来不断提升，对数据处理能力提出了极高的要求。传统的基于服务器的计算范式无法满足高频交易的低延迟需求。存内计算技术通过将数据和计算任务迁移到内存中，有效缩短了数据访问和处理时间，为高频交易提供了强有力的支撑。

存内计算在高频交易中的应用

1.实时数据处理

高频交易需要实时处理海量数据，例如市场行情、订单数据和交易回报。存内计算通过将这些数据加载到内存中，可以显著降低数据访问延迟，实现对市场的快速反应。

2.高速计算

高频交易涉及复杂的计算，例如算法交易和风险管理。存内计算通过并行计算和数据内处理技术，大幅提升计算速度，使交易员能够在短时间内做出决策。

3.低延迟执行

存内计算缩短了数据处理和计算的时间，从而降低了交易执行的延迟。在竞争激烈的金融市场中，低延迟对于获得价格优势至关重要。

4.高吞吐量

存内计算可以处理大量并发交易，满足高频交易的高吞吐量要求。通过优化内存管理和数据结构，存内计算系统可以高效地处理海量数据。

5.复杂算法支持

高频交易依赖于复杂算法来预测市场走势和优化交易策略。存内计算提供了强大的计算能力，支持复杂算法的快速执行。

案例

案例1：花旗集团

花旗集团通过采用存内计算技术，将高频交易的延迟从毫秒降低到微秒级。这使该公司在竞争中获得了明显的优势，提高了交易效率和盈利能力。

案例2：摩根士丹利

摩根士丹利利用存内计算优化了算法交易策略。通过实时处理市场数据和并行计算，该公司能够快速识别交易机会，提升交易成功率。

优势

1.超低延迟

存内计算将数据和计算任务迁移到内存中，有效缩短了数据访问和处理时间，实现超低延迟的交易执行。

2.高吞吐量

存内计算系统可以并行处理大量交易，满足高频交易的高吞吐量要求。

3.可扩展性

存内计算系统可以轻松扩展，以满足不断增长的数据处理和计算需求。

4.成本效益

虽然存内计算系统成本较高，但其带来的效率提升和交易收益改善往往能够抵消成本。

挑战

1.技术复杂性

存内计算系统的设计和实现具有较高的技术复杂性，需要专业技术人员的支持。

2.数据一致性

确保内存中数据的一致性至关重要，需要采用可靠的数据管理机制和容错措施。

3.内存容量限制

内存容量是存内计算系统的瓶颈，随着数据量的增长，需要不断扩充内存容量。

趋势

存内计算在高频交易领域的应用呈上升趋势，主要得益于以下因素：

1.市场竞争加剧

金融市场的竞争日益激烈，交易员需要不断提升交易速度和效率。

2.数据量爆炸

市场数据和交易数据的爆炸式增长对数据处理能力提出了更高的要求。

3.技术进步

内存技术和计算技术的不断进步为存内计算提供了强大的支撑。

在未来，存内计算技术将继续在高频交易领域发挥重要作用，为交易员提供更低延迟、更高吞吐量和更强大的计算能力，从而提升交易效率和盈利能力。第五部分存内计算在物联网边缘计算中的作用关键词关键要点【存内计算在边缘物联网中低功耗场景的应用】

1.存内计算通过将计算和存储整合到同一芯片上，减少了数据移动，从而降低了功耗。

2.在低功耗边缘物联网设备中，存内计算可以显著延长电池寿命，提高设备的可靠性和可用性。

3.存内计算还支持传感器数据的实时处理，从而实现及时决策和快速响应。

【存内计算在边缘物联网中的AI推理场景】

存内处理在物联网络边缘处理中的作用

导言

存内处理（IMC）是一种新型的处理范式，它将数据处理直接转移到存储设备中。这种方法消除的将数据从存储器传输到处理器进行处理的需要，显著降低延迟、功耗和内存带宽开销。

IMC在物联网络边缘处理中的好处

*降低延迟：IMC通过消除数据传输开销，消除了处理延迟。这对于需要实时处理的物联网络应用至关重要，如工业自动化、视频分析和医疗保健监测。

*优化功耗：IMC显著降低功耗，因为它消除了数据传输和存储器访问相关的功耗。这对于便携式物联网络设备至关重要，如传感器、可穿戴设备和移动设备。

*增加内存带宽：IMC释放了内存带宽，否则将被数据传输占用。这使物联网络设备能够处理更大的数据集并支持更复杂的任务。

*增強安全性：IMC通过减少数据在存储器和处理器之间传输的暴露时间，增強安全性。这有助于防止数据窃取和操纵。

IMC在物联网络边缘处理应用

IMC在物联网络边缘处理中有着众多应用，包括：

*传感器数据处理：IMC可直接在传感器模块中处理传感器数据，降低延迟并节省内存带宽。

*可穿戴设备处理：IMC可优化可穿戴设备的健康监测、活动跟踪和环境感知功能的功耗和延迟。

*视频分析：IMC可实现视频流的实时分析，如物体检测、面部识別和场景分类。

*工业自动化：IMC可在现场设备中处理过程数据，实现实时控制和预防性维修。

*医疗保健监测：IMC可处理从可穿戴传感器和医疗设备中获取的生理数据，实现实时健康监测和诊断。

技术挑战

IMC在物联网络边缘处理中面临着一些技术挑战，包括：

*存储器容量和带宽：IMC设备需要大容量和高带宽存储器来容纳处理数据。

*编程复杂性：IMC编程需要了解底层存储器架构，这增加了软件开發的复杂性。

*热管理：IMC设备和存储器模块在处理高数据负载时会产生大量的热量，需要有效的热管理策略。

*成本效益：IMC设备需要特殊的存储器和硬件，这可能会增加成本。

展望

IMC是物联网络边缘处理的变革性技术，有望通过降低延迟、优化功耗、增加内存带宽和增強安全性来提供诸多好处。作为一个新兴领域，IMC仍面临着一些技术挑战，但持续的研究和开發有望克服这些障碍并释放IMC的全部潜力。第六部分存内计算在生物信息学和基因组分析存内计算在生物信息学和基因组分析的应用场景探索

导言

存内计算，一种革命性的计算范式，通过将数据存储在处理单元的内部存储器中，消除数据移动的瓶颈，大幅提高计算效率。其在生物信息学和基因组分析领域具有广阔的应用前景。

1.基因组序列比对

基因组序列比对是生物信息学中的基本任务，涉及将目标序列与参考序列进行比较以识别相似性。传统的序列比对算法在处理大型基因组时计算密集且耗时。

存内计算可以显著加速序列比对。通过将参考序列存储在处理器的内部存储器中，可以避免频繁的数据移动，大大减少了访问延迟。此外，存内计算的并行处理能力可以同时处理多个序列比对任务，进一步提高吞吐量。

例如，英特尔Optane傲腾™持久内存技术已用于构建存内比对引擎，该引擎比传统方法快几个数量级，从而使大规模基因组分析成为可能。

2.基因组变异检测

基因组变异检测是识别基因组中差异序列（如单核苷酸多态性(SNP)和插入缺失(INDEL)）的过程。传统的变异检测方法在处理大基因组时具有挑战性，因为它们需要对整个序列进行多次扫描。

存内计算可以克服这些挑战。通过将基因组数据存储在内部存储器中，存内变异检测算法可以直接访问数据，无需数据移动。同时，存内计算的快速处理速度使算法能够快速扫描大型基因组，减少分析时间。

有研究表明，基于存内计算的变异检测算法比传统方法快10倍以上，从而促进了更有效的精准医疗和基因组研究。

3.生物信息学大数据分析

生物信息学领域正在经历数据爆炸式增长，包括基因组数据、表观基因组数据和单细胞数据。分析这些海量的数据集对于理解生物过程和疾病机制至关重要。

存内计算为生物信息学大数据分析提供了独特的优势。其高吞吐量和低延迟可以处理大量数据，使研究人员能够执行复杂的分析任务，如机器学习和深度学习。

例如，百度飞桨已与英特尔合作，开发了基于存内计算的生物信息学大数据分析平台。该平台已被用于分析数千个基因组，并识别新的疾病相关基因。

4.个性化基因组医学

随着基因组测序成本的降低，个性化基因组医学变得越来越普及。为了实现个性化医疗，需要对个体基因组进行分析和解释，以确定疾病风险、指导治疗和预测药物反应。

存内计算可以加快个性化基因组医学。通过在内部存储器中存储患者的基因组数据，存内分析算法可以快速访问和处理数据，生成个性化的健康报告。这可以缩短诊断时间，并为临床决策提供及时、准确的信息。

例如，IBMWatsonHealth已开发了基于存内计算的基因组分析平台，用于个性化癌症治疗。该平台可以分析个体肿瘤基因组，并提供定制的治疗方案，提高患者预后。

结论

存内计算为生物信息学和基因组分析领域带来了革命性的新机遇。其高吞吐量、低延迟和并行处理能力可以显著加速基因组序列比对、变异检测、大数据分析和个性化基因组医学等关键任务。随着存内计算技术的不断进步，我们可以期待在生物医学研究和医疗保健中取得更多令人兴奋的突破。第七部分存内计算在气候模拟和天气预报关键词关键要点气候模拟

1.存内计算可显著加速气候模型的训练和预测过程，大幅提升气候模拟的精度和时间效率。

2.通过并行计算和分布式处理，存内计算可处理海量气候数据和复杂气候模型，实现更高分辨率的气候模拟。

3.存内计算为气候科学家提供了更丰富的工具和手段，帮助他们研究气候变化趋势、评估气候风险和制定应对策略。

天气预报

1.存内计算可加速数值天气预报（NWP）模型的运行速度，实现亚小时级的高分辨率天气预报。

2.通过快速处理观测数据和卫星图像，存内计算可提高天气预报的准确性，及时预警极端天气事件。

3.存内计算为天气预报员提供了新的途径，帮助他们探索天气演变的复杂规律，提高预报服务的时效性和可靠性。存内计算在气候模拟和天气预报中的应用场景探索

存内计算是一种新兴的技术范式，通过将计算过程移入存储设备，消除数据搬移的开销，从而实现高性能计算。它在气候模拟和天气预报领域中具有巨大的应用潜力，可以大幅提升计算效率和精度。

1.数据密集型气候模拟

全球气候模型（GCM）是研究气候变化和预测未来气候的关键工具。这些模型需要处理大量的数据，包括大气、海洋、陆地表面的状态和相互作用。传统的计算方法需要花费数周甚至数月才能完成一次模拟，这一时间成本极大地限制了气候研究的进展。

存内计算通过消除数据搬移的开销，可以显著缩短模拟时间。英特尔和美光公司合作开发的存内计算加速器，在气候模拟应用中将计算性能提升了10倍以上。这使得气候科学家能够在更短的时间内运行更复杂的模型，从而提高预测的精度和可靠性。

2.实时天气预报

天气预报需要实时处理大量的气象数据，以生成准确的天气预报。传统的计算方法无法满足实时性的要求，导致天气预报的准确性降低。

存内计算可以将气象数据存储在存储设备中，并在存储设备内直接进行计算。这消除了数据搬移的延迟，实现了实时天气预报。例如，斯坦福大学的研究人员开发了一种基于存内计算的天气预报系统，将预报时间缩短了90%，同时提高了预报精度。

3.数值天气预报

数值天气预报（NWP）是一种基于数学方程求解天气预报的计算机建模技术。NWP模型需要处理海量的气象数据，传统计算方法的效率低下限制了NWP的精度和分辨率。

存内计算可以显著提升NWP模型的性能。清华大学的研究人员开发了一种基于闪存的存内计算NWP系统，将计算性能提升了5倍以上。这使得NWP模型能够在更高的分辨率下运行，生成更精细和准确的天气预报。

4.天气预报和气候模拟的融合

天气预报和气候模拟是相互关联的科学领域。存内计算可以实现天气预报和气候模拟的融合，提供更全面的天气和气候信息。

通过在存储设备内同时进行天气预报和气候模拟，科学家可以研究天气事件和气候变化之间的联系，从而提高天气预报的准确性，并为气候变化适应和减缓提供更可靠的科学依据。

5.挑战与机遇

尽管存内计算在气候模拟和天气预报领域具有巨大的潜力，但仍面临着一些挑战：

*算法优化：需要针对存内计算架构优化算法，以充分利用其优势。

*数据流管理：存内计算需要处理大量的数据流，需要高效的数据流管理机制。

*系统可靠性：存储设备作为计算设备引入了一定的系统可靠性风险，需要完善的容错机制。

此外，存内计算技术仍在不断发展中，其应用场景也在不断探索和拓展。未来，随着存内计算技术的成熟，它将在气候模拟和天气预报领域发挥越来越重要的作用，推动这些领域的科学进步和社会效益。第八部分存内计算在材料科学和药物发现关键词关键要点【材料建模和模拟】：

1.存内计算可大幅提升材料建模和模拟的效率和精度，实现对材料性能的快速预测和优化。

2.利用存内计算进行高通量筛选和虚拟实验，能够加速材料开发流程，缩短发现新型材料所需的时间。

3.存内计算可应用于探索新型电子材料、催化剂和功能材料的性能，促进材料科学研究的突破。

【药物设计和发现】：

存内计算在材料科学和药物发现

存内计算是一种计算架构，允许处理单元直接访问内存，从而消除数据移动的瓶颈。这种架构对于数据密集型应用至关重要，例如材料科学和药物发现。

材料科学

在材料科学中，存内计算可用于加速材料性质的模拟和预测。传统的方法需要在处理器和内存之间不断地移动数据，这会限制性能。存内计算通过允许处理器直接访问内存来克服此问题，从而大幅缩短模拟时间。

例如，麻省理工学院的