近日，南方科技大学深港微电子学院王中锐长聘副教授课题组与合作者提出了一种基于忆阻器存算一体的高效神经场重建系统。该系统面向医学影像、AR/VR和具身智能等应用中的稀疏信号重建需求，将神经场算法与忆阻器存算一体硬件相结合，并通过软硬件协同优化，在保持重建质量的同时提升计算能效。相关成果以“Efficient and accurate neural-field reconstruction using resistive memory”为题，发表于学术顶刊 Nature。

在实际应用中，智能系统往往无法获得完整、密集的观测数据。例如，医学CT成像需要控制扫描剂量和采集时间，AR/VR系统需要根据有限视角快速生成三维场景，机器人和具身智能系统也需要从有限感知信息中理解周围环境。因此，如何从稀疏、不完整的输入中恢复高质量信号，是人工智能系统面向真实应用时的重要问题。

神经场为这类问题提供了一种有效表示方式。与直接存储像素、体素或点云不同，神经场通过神经网络学习连续函数，将空间或时空坐标映射为对应的图像强度、颜色和密度等信息，从而以更紧凑的形式表示图像和三维场景等。然而，神经场模型通常需要大量前向推理和矩阵运算，在传统数字计算平台上容易受到数据搬移、能耗和延迟等问题限制。

针对这一挑战，研究团队构建了基于忆阻器存算一体的神经场重建系统。忆阻器单元可通过电导状态存储神经网络权重，并在阵列中完成并行矩阵运算，从而减少冯诺依曼计算架构中存储与计算分离带来的数据搬移开销。围绕忆阻器硬件的特点，研究团队进一步从算法、器件、电路和系统层面进行了协同设计，使神经场模型能够更好地部署到真实硬件平台上。

图1 面向稀疏信号重建的忆阻器存算一体神经场系统

图1展示了该工作的整体思路。该系统在算法层面采用神经场作为连续信号表示，并结合低秩分解、结构化剪枝等方法，降低模型复杂度和硬件部署开销。在编码层面，研究团队利用忆阻器本征随机性实现高斯编码，将器件中的随机电导分布转化为有用的物理随机资源，以增强模型对空间细节的表达能力。在权重映射层面，团队提出硬件感知量化方法，并结合相应的模拟电路设计，降低忆阻器写入误差对计算精度的影响，从而提高神经场在硬件上的重建质量。

研究团队基于40 nm 256 Kb忆阻器存算一体宏单元构建了硬件平台，并在多个代表性任务中验证了系统性能。在3D CT稀疏重建任务中，该系统能够根据有限数量的CT切片恢复较完整的三维医学影像，为低剂量、快速医学成像提供了潜在方案。在新视角合成任务中，该系统能够根据已有图像生成不同观察角度下的三维场景图像，可用于AR/VR、三维内容生成和机器人视觉等场景。研究团队还进一步评估了系统在动态场景新视角合成任务中的应用潜力，展示了其处理复杂时空信号的扩展能力。实验结果显示，基于40 nm 256 Kb忆阻器存算一体宏单元，该架构在保持较好重建质量的同时，相较GPU在三类任务中分别实现了约23.5倍、21.0倍和32.3倍的折算能效提升。

该研究展示了一种面向高效神经场重建的软硬件协同设计路径。神经场提供了紧凑、连续的信号表示，忆阻器存算一体硬件提供了高并行、低功耗的计算基础，而硬件感知的算法与电路设计则提升了系统对真实器件非理想性的适应能力。该工作为医学影像、AR/VR、三维视觉和具身智能等领域中的高效稀疏信号重建提供了新的硬件实现参考。

论文第一作者为王中锐课题组成员、南方科技大学访问学生於亦非（香港大学博士生），通讯作者为王中锐、香港大学齐晓娟教授、中国科学院微电子研究所尚大山研究员和复旦大学刘琦教授。复旦大学刘明院士、香港科技大学郑光廷教授参与研究工作。该研究得到国家自然科学基金、中国科学院-香港地区微电子联合实验室、香港研究资助局优配研究金以及香港InnoHK ACCESS人工智能芯片中心等项目的支持。

论文链接：https://www.nature.com/articles/s41586-026-10646-w

供稿：深港微电子学院

通讯员：刘碧

编辑：曾昱雯