Sui学术研究奖新一轮结果公布：全球知名高校参与，17个项目获资助超42万美元

Sui基金会近期公布了新一轮Sui学术研究奖的获奖名单。该计划旨在资助推动Web3发展的研究，特别是促进区块链网络、智能合约编程和基于Sui构建的产品相关技术的进步。

在过去两个阶段中，Sui基金会共批准了17项来自国际知名大学的提案，总资助金额达425,000美元。参与的高校包括韩国科学技术院、伦敦大学学院、洛桑联邦理工学院和新加坡国立大学等。

获奖提案概览

DAOs：投票团体多样性

康奈尔大学的Ari Juels教授领导的这项研究旨在解决去中心化组织的本质问题。通过建立衡量去中心化自治组织(DAO)去中心化程度的指标，该研究将识别能够增强组织内部去中心化的实践方法。

自适应安全的异步DAG协议共识

伦敦大学学院的Philipp Jovanovic博士提出开发一种异步有向无环图(DAG)协议，以提高抗攻击能力并适应变化的对手环境。该协议旨在提供更好的安全性和适应性，同时保持接近部分同步对手的性能水平。

大型语言模型指导下的Sui智能合约审计

伦敦大学学院的Arthur Gervais博士团队计划利用GPT-4-32k和Claude-v2-100k等大型语言模型(LLMs)来改进Move智能合约的审计过程。该项目将基于之前对52个Solidity DeFi智能合约的分析经验，扩展到Sui智能合约的安全评估。

映射共识协议领域

伯尔尼大学的Christopher Cachin教授将调查当前的共识领域，为密码共识协议提供新颖见解。研究结果有望帮助更好地理解现有算法，并为设计分布式协议提供新的思路。

去中心化预言机协议的高可信验证框架

卡内基梅隆大学的Giselle Reis博士和Djed Alliance的Bruno Woltzenlogel Paleo博士将创建一个框架，通过形式化方法严格分析和验证区块链预言机。该项目旨在开发一个全面的定义和证明策略库，以确保智能合约中外部数据的准确性和公平性。

识别可扩展性瓶颈

苏黎世联邦理工学院的Roger Wattenhofer教授团队将致力于识别源于智能合约设计缺陷的瓶颈，以提高区块链应用程序的并行化潜力。研究还将探讨调整交易费用对并行化潜力的影响。

Bullshark协议机械化

新加坡国立大学的Ilya Sergey教授将使用现代计算机辅助验证工具对Bullshark的属性进行正式验证，推进基于有向无环图的共识协议的理解。该项目有望为分布式系统研究提供首个经机械验证的基于DAG的共识协议模型。

BBSF：区块链基准化标准框架

利哈伊大学的Henry F. Korth教授提议创建一个区块链基准标准化格式，以公平比较L1区块链和L2扩展解决方案。该项目旨在为用户和开发者提供链性能的透明洞见，促进明智决策的制定。

构建可扩展和去中心化的共享序列层

韩国科学技术院的Min Suk Kang教授将探索将Bullshark/Mysticeti用作共享排序器算法的可能性。该研究涉及运行多个使用Sui作为排序层的Rollup，使它们能够根据各自的执行层解释交易。

用于最佳拥堵定价的本地费用市场

纽约大学的Abdoulaye Ndiaye教授将调查本地费用市场以优化拥堵定价，在交易拥堵和区块链网络中执行交易之间进行类比。该研究旨在建立反映拥堵状态的有效定价机制，以实现最佳资源分配。

SAMM：分片自动做市商

以色列理工学院的Ittay Eyal教授正在开发名为分片合约的新概念，利用多个合约来增加并发性。该研究的关键目标是调整流动性提供者和交易者的激励机制，以维持多个AMM分片，实现完全可并行化的分片AMM。

竞争机制中的私人披露

罗马托尔维亚塔大学的Andrea Attar教授将探索市场机制设计的新方法，重点研究卖方之间吸引知情买家的竞争。该项目旨在通过理论分析和实证研究，推进对市场缺陷的理解，并提出政策建议。

应用大型语言模型生成Sui智能合约

卡内基梅隆大学的Ken Koedinger和Eason Chen教授将致力于解决当前大型语言模型(LLMs)在生成Move语言智能合约方面的挑战。研究团队计划收集全面的Move语言示例数据集，增强提示工程，并实施微调，以比较不同方法下LLM的有效性。

COMET：过渡到Move的比较度量和框架

尼科西亚大学的George Giaglis教授将进行Solidity和Move之间的全面比较分析，旨在促进对Move功能和能力的更深入理解。该项目计划将关键要素组织成框架，帮助开发人员轻松过渡到使用Move进行开发。

革命性DeFi：深度学习方法优化Sui上的流动性和动态费用

洛桑联邦理工大学的Rachid Guerraoui和Walid Sofiane教授将开发一种混合深度学习模型，用于Sui DeFi协议中的最佳范围预测。该研究结合了增强的递归神经网络和深度强化学习，同时整合社交媒体情感分析以提高预测准确性。

评估对SUI波动率的预测能力

塞浦路斯开放大学的Stavros Degiannakis教授将调查SPEC算法在Sui资产波动率预测中的有效性。研究将主要关注SUI资产，并在各种区块链资产中进行验证，利用免费提供的高频价格数据。

低内存后量子透明zkSNARKs

宾夕法尼亚大学的Brett Falk和Pratyush Mishra博士旨在开发可扩展的zkSNARKs，解决证明者时间复杂度、空间复杂度和SRS大小三个主要障碍。该研究目标是为区块链技术中的各种应用提供部署就绪的可扩展加密证明。