Brad McDanel教授的研究重点是设计专门的算法和硬件架构，以使深度学习更加节能。更广泛地说，他的工作涉及深度学习、计算机视觉、硬件架构和计算机网络等领域。

这位计算机科学家说:“像许多研究人员一样，我最初被这个领域的工作所吸引，因为在过去的十年里，由于深度学习的发展，我们看到了所有有趣的成就。“然而，这些系统在计算上非常昂贵，导致大量的能量运行。鉴于最近的趋势，随着更大的深度学习系统被开发和部署用于解决各种新问题，这种能源效率问题似乎会随着时间的推移而变得越来越严重。”

McDanel教授的主要目标是发现在不影响模型性能(系统解决问题的程度)的情况下提高神经网络计算效率的新技术。在过去的五年里，他一直在积极地研究这个领域的几条研究路线(量化、修剪、自适应计算、硬件设计)。最近，教授开始更多地关注提高培训阶段的效率，因为与提高已部署模型的性能相比，社区对培训阶段的研究较少。“从长远来看，”教授评论道，“我有兴趣研究不依赖于当前标准方法的训练神经网络的替代方法，例如，基于梯度的方法，如SGD。”

那位计算机科学家对让学生参与他的研究很感兴趣。他说:“深度学习研究的一个有趣之处在于，任何人都可以在一个小时内在个人电脑上训练小型模型，开始进行实验。”“这种实验是最初吸引我在这个领域工作的原因。我正在构建一个具有多个gpu的大型先进系统，以执行更大的训练任务。学生们也将有机会操作这个系统。”

这位计算机科学家与合作者Surat Teerapittayanon和HT Kung共同撰写的一个研究项目引起了人们的关注，该项目是在有条件的基础上在dnn中执行计算。其核心思想是，一些样品可以快速处理，而另一些则比较困难，需要额外的注意。这个普遍的想法并不是一个新现象，它与21世纪初的维奥拉-琼斯物体检测有一定的关系。他们的主要创新是提供跨多个决策点的联合训练框架，以提高这种系统的性能。

“我计划继续与我在哈佛大学的博士导师合作，设计高效的深度学习硬件。此外，我将很快开始与巴西一所研究型大学的一个小组合作，即北里奥格兰德联邦大学。这个小组专注于提高嵌入式微控制器的深度学习系统的效率，”教授评论他的未来计划。

他在哈佛大学获得计算机科学博士学位，在维克森林大学获得计算机科学硕士和学士学位。他喜欢下棋，在学校参加过国际象棋比赛。如今，他主要在网上玩游戏，如果有学生感兴趣，他愿意接受挑战。这位教授的大部分空闲时间“都花在了在公寓里追逐我18个月大的女儿上”。