Sui學術研究獎新一輪結果公布：全球知名高校參與，17個項目獲資助超42萬美元

Sui基金會近期公布了新一輪Sui學術研究獎的獲獎名單。該計劃旨在資助推動Web3發展的研究，特別是促進區塊鏈網路、智能合約編程和基於Sui構建的產品相關技術的進步。

在過去兩個階段中，Sui基金會共批準了17項來自國際知名大學的提案，總資助金額達425,000美元。參與的高校包括韓國科學技術院、倫敦大學學院、洛桑聯邦理工學院和新加坡國立大學等。

獲獎提案概覽

DAOs：投票團體多樣性

康奈爾大學的Ari Juels教授領導的這項研究旨在解決去中心化組織的本質問題。通過建立衡量去中心化自治組織(DAO)去中心化程度的指標，該研究將識別能夠增強組織內部去中心化的實踐方法。

自適應安全的異步DAG協議共識

倫敦大學學院的Philipp Jovanovic博士提出開發一種異步有向無環圖(DAG)協議，以提高抗攻擊能力並適應變化的對手環境。該協議旨在提供更好的安全性和適應性，同時保持接近部分同步對手的性能水平。

大型語言模型指導下的Sui智能合約審計

倫敦大學學院的Arthur Gervais博士團隊計劃利用GPT-4-32k和Claude-v2-100k等大型語言模型(LLMs)來改進Move智能合約的審計過程。該項目將基於之前對52個Solidity DeFi智能合約的分析經驗，擴展到Sui智能合約的安全評估。

映射共識協議領域

伯爾尼大學的Christopher Cachin教授將調查當前的共識領域，爲密碼共識協議提供新穎見解。研究結果有望幫助更好地理解現有算法，並爲設計分布式協議提供新的思路。

去中心化預言機協議的高可信驗證框架

卡內基梅隆大學的Giselle Reis博士和Djed Alliance的Bruno Woltzenlogel Paleo博士將創建一個框架，通過形式化方法嚴格分析和驗證區塊鏈預言機。該項目旨在開發一個全面的定義和證明策略庫，以確保智能合約中外部數據的準確性和公平性。

識別可擴展性瓶頸

蘇黎世聯邦理工學院的Roger Wattenhofer教授團隊將致力於識別源於智能合約設計缺陷的瓶頸，以提高區塊鏈應用程序的並行化潛力。研究還將探討調整交易費用對並行化潛力的影響。

Bullshark協議機械化

新加坡國立大學的Ilya Sergey教授將使用現代計算機輔助驗證工具對Bullshark的屬性進行正式驗證，推進基於有向無環圖的共識協議的理解。該項目有望爲分布式系統研究提供首個經機械驗證的基於DAG的共識協議模型。

BBSF：區塊鏈基準化標準框架

利哈伊大學的Henry F. Korth教授提議創建一個區塊鏈基準標準化格式，以公平比較L1區塊鏈和L2擴展解決方案。該項目旨在爲用戶和開發者提供鏈性能的透明洞見，促進明智決策的制定。

構建可擴展和去中心化的共享序列層

韓國科學技術院的Min Suk Kang教授將探索將Bullshark/Mysticeti用作共享排序器算法的可能性。該研究涉及運行多個使用Sui作爲排序層的Rollup，使它們能夠根據各自的執行層解釋交易。

用於最佳擁堵定價的本地費用市場

紐約大學的Abdoulaye Ndiaye教授將調查本地費用市場以優化擁堵定價，在交易擁堵和區塊鏈網路中執行交易之間進行類比。該研究旨在建立反映擁堵狀態的有效定價機制，以實現最佳資源分配。

SAMM：分片自動做市商

以色列理工學院的Ittay Eyal教授正在開發名爲分片合約的新概念，利用多個合約來增加並發性。該研究的關鍵目標是調整流動性提供者和交易者的激勵機制，以維持多個AMM分片，實現完全可並行化的分片AMM。

競爭機制中的私人披露

羅馬托爾維亞塔大學的Andrea Attar教授將探索市場機制設計的新方法，重點研究賣方之間吸引知情買家的競爭。該項目旨在通過理論分析和實證研究，推進對市場缺陷的理解，並提出政策建議。

應用大型語言模型生成Sui智能合約

卡內基梅隆大學的Ken Koedinger和Eason Chen教授將致力於解決當前大型語言模型(LLMs)在生成Move語言智能合約方面的挑戰。研究團隊計劃收集全面的Move語言示例數據集，增強提示工程，並實施微調，以比較不同方法下LLM的有效性。

COMET：過渡到Move的比較度量和框架

尼科西亞大學的George Giaglis教授將進行Solidity和Move之間的全面比較分析，旨在促進對Move功能和能力的更深入理解。該項目計劃將關鍵要素組織成框架，幫助開發人員輕鬆過渡到使用Move進行開發。

革命性DeFi：深度學習方法優化Sui上的流動性和動態費用

洛桑聯邦理工大學的Rachid Guerraoui和Walid Sofiane教授將開發一種混合深度學習模型，用於Sui DeFi協議中的最佳範圍預測。該研究結合了增強的遞歸神經網路和深度強化學習，同時整合社交媒體情感分析以提高預測準確性。

評估對SUI波動率的預測能力

塞浦路斯開放大學的Stavros Degiannakis教授將調查SPEC算法在Sui資產波動率預測中的有效性。研究將主要關注SUI資產，並在各種區塊鏈資產中進行驗證，利用免費提供的高頻價格數據。

低內存後量子透明zkSNARKs

賓夕法尼亞大學的Brett Falk和Pratyush Mishra博士旨在開發可擴展的zkSNARKs，解決證明者時間復雜度、空間復雜度和SRS大小三個主要障礙。該研究目標是爲區塊鏈技術中的各種應用提供部署就緒的可擴展加密證明。