用阻变存储器高效精准地重建神经场

医学影像、增强/虚拟现实、具身人工智能等应用，常需从极少的采样数据中重建复杂信号（如三维图像），但传统数字硬件面临三大难题：显式信号表示需要大量采样和存储；数据在处理器与内存间频繁搬运（即‘冯·诺依曼瓶颈’）导致高能耗和高延迟；基于CMOS工艺的电路并行效率有限。为此，研究团队提出一套软硬件协同优化框架：软件层面，采用‘神经场’（neural fields）技术，用轻量神经网络隐式表达信号，并通过低秩分解和结构化剪枝进一步压缩模型；硬件层面，设计基于忆阻器（resistive memory）的存算一体芯片，包含高斯编码器和多层感知机处理引擎——前者利用忆阻器固有的随机特性实现高效编码，后者通过硬件感知的量化电路实现权重的精准映射。在40纳米工艺、256千比特的忆阻器宏单元上实测表明：该系统在三维CT稀疏重建、静态场景新视角合成、动态场景新视角合成三类任务中，能效分别提升23.5倍、21.0倍和32.3倍，并行计算能力分别提升10.8倍、38.8倍和6.2倍，且重建图像质量丝毫不打折扣。这项工作为未来高效、鲁棒的医疗AI和三维视觉系统提供了切实可行的技术路径。