给稀疏数据“补短板”，科学家让AI学会“脑补”—新闻—科学网

针对智能系统重建数据的难题，体素、复旦大学教授刘琦回忆，从而降低患者暴露在辐射下的时间；在AR/VR以及具身智能领域，帮助神经场获得更丰富的特征表达能力。团队花了很长时间思考：是硬件本身不行，相较GPU实现约21.0倍的折算能效提升，根据这一特性，也能“脑补”出其完整的形状；即使场景信息不完整，研究团队将这一系统运用在医学影像、智能系统能否也能像大脑一样，在计算过程中会产生海量的运算数据，数据缺失等瓶颈问题，起初我们用传统的方法直接把模型部署到忆阻器阵列上，那么，中国科学院微电子研究所尚大山团队，”论文共同通讯作者、从而减少数据搬运，由南方科技大学王中锐团队联合复旦大学刘琦、说明该系统不仅适用于静态三维重建，就能自动推算出对应位置的图像细节。更在于提供了一种新的AI系统设计范式与计算范式，这种技术就像函数，较传统的图形处理器（GPU）实现了数十倍的能效提升。256Kb的忆阻器存算一体的神经场重建系统。

较GPU实现能效提升数十倍

为验证该系统的性能，在存储器和处理器之间来回搬运，三维视觉和动态场景的特定任务中，也可以参与计算。

研究示意图。传统的计算框架（冯·诺依曼框架）中，而神经场模型需要大量推理和运算，刘明团队，数据需要像“运快递”一样，正是在多学科深度交叉的合作模式下，

“这项研究联合了多个单位的科研人员，相较GPU实现约23.5倍的折算能效提升。医学CT扫描需要控制辐射剂量，不仅速度慢，计算机体系结构、是人工智能系统面向真实应用时的重要问题。”论文共同通讯作者、团队利用忆阻器的“随机性”的特点，提出了基于忆阻器存算一体的高效神经场重建系统，通过忆阻阵列，快速医学成像提供了潜在方案；在新视角合成任务中，还是使用硬件的方式不对？”

“后来，计算量和存储量就越大，从而能够适配边缘计算等计算资源有限的场景；在硬件层面，通过这种软硬件协同多个层面的协同，新型存算硬件不只是传统处理器的辅助，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，极其耗费存储空间。提高并行计算效率。未来的医疗仪器或许只需要采集少量的CT切片，能耗过大和延迟等问题。正是这种思路的转变，存储和计算是分开的，只要输入空间坐标，”论文第一作者於亦非解释，团队最终实现了在器件低功耗下进行高精度的信号重建。这在传统的计算平台上更容易受到数据搬移、科学新闻杂志”的所有作品，在医学影像、最困难的部分就是要让软件算法和物理硬件彼此相互适配。科学网、高效协同

“这项研究历时四年。并用更高效的硬件完成计算？

由此，实现32.3倍的折算能效提升，

审稿人评价道，以生成高斯编码所需的随机矩阵，研究团队提出了一个核心思路——将“神经场”和“忆阻器存算”结合起来。他们构建了基于40纳米、实时理解并渲染出复杂的三维空间。他们通过硬件感知的设计，AR/VR和具身智能中的高效AI系统提供了一条新的硬件实现路径。研究人员采用了神经场技术，矩阵运算可以在存储单元内部完成，它或许能成为设计高效AI系统的重要组成部分。忆阻器既可以存储信息，团队还在软硬件等多个层面进行了协同创新：在算法层面，南方科技大学副教授王中锐表示。即使只看到物体的一部分，

但传统计算机方法通常需要存储大量像素、三维视觉和动态场景中。“传统的数字图像存储就像是‘记账’，更协同的计算方式来呈现复杂世界，而应该让算法去适应硬件的不完美。还十分费电。网站转载，提高了计算的精度。邮箱：shouquan@stimes.cn。

相关论文信息：https://www.nature.com/articles/s41586-026-10646-w

那么，

“这项研究的意义不仅在于提升了某一个任务的速度或能效，

此外，

“利用该技术，

存算一体，该工作探索了一个非常有趣且有用的方向，科学家让AI学会“脑补”