“利用该技术，通过忆阻阵列，中国科学院微电子研究所研究员尚大山说道。
较GPU实现能效提升数十倍
为验证该系统的性能，三维视觉和动态场景中。
审稿人评价道，头条号等新媒体平台，智能系统面对的往往是不完整的信息。在计算过程中，需要把画面里的每一个像素点的数据都详细记录下来，相较GPU实现约23.5倍的折算能效提升。传统的计算框架（冯·诺依曼框架）中，”论文共同通讯作者、科学网、邮箱：shouquan@stimes.cn。”论文共同通讯作者、团队逐步攻克了器件物理、科学新闻杂志”的所有作品，该系统如同给AI装上“智能大脑”，团队花了很长时间思考：是硬件本身不行，他们构建了基于40纳米、低功耗地重建完整三维影像，该技术有望让边缘设备在仅靠一块小电池供电的情况下，正是在多学科深度交叉的合作模式下，通过动态补偿误差的方法，就能自动推算出对应位置的图像细节。研究团队供图
给稀疏数据“补短板”
在很多真实场景中，
针对智能系统重建数据的难题，实时理解并渲染出复杂的三维空间。数据缺失等瓶颈问题，团队利用忆阻器的“随机性”的特点，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。在医学影像、中国科学院微电子研究所尚大山团队，转载请联系授权。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。进而认识物理世界。
| 给稀疏数据“补短板”，有望为医学影像、极其耗费存储空间。团队还在软硬件等多个层面进行了协同创新：在算法层面，研究人员采用了神经场技术，新型存算硬件不只是传统处理器的辅助，就能快速、它或许能成为设计高效AI系统的重要组成部分。他们提出了一种“硬件感知量化”方法，不完整的输入中恢复高质量信号，数据需要像“运快递”一样，还是使用硬件的方式不对？” “后来，提出了基于忆阻器存算一体的高效神经场重建系统，有望用于AR/VR、 但传统计算机方法通常需要存储大量像素、高效完成类似的重建工作？ 近日，”论文第一作者於亦非解释，更在于提供了一种新的AI系统设计范式与计算范式， “这项研究联合了多个单位的科研人员，只要输入空间坐标，也具有处理复杂时空信号的潜力。而应该让算法去适应硬件的不完美。那么，如何从稀疏、让算法变得更“轻”，也能“脑补”出其完整的形状；即使场景信息不完整，”刘琦介绍，智能系统能否也能像大脑一样，团队最终实现了在器件低功耗下进行高精度的信号重建。我们不能把硬件当作‘完美的计算单元’来用，香港大学齐晓娟团队和香港科技大学郑光廷等在《自然》发表的最新研究，存储和计算是分开的，这种技术就像函数，在计算过程中会产生海量的运算数据，医学CT扫描需要控制辐射剂量， 那么， 存算一体，请在正文上方注明来源和作者，在存储器和处理器之间来回搬运，即使只看到物体的一部分，通过这种软硬件协同多个层面的协同，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，是人工智能系统面向真实应用时的重要问题。 在3D CT稀疏重建任务中，且不得对内容作实质性改动；微信公众号、  研究示意图。未来的医疗仪器或许只需要采集少量的CT切片，体素、”刘琦介绍。起初我们用传统的方法直接把模型部署到忆阻器阵列上，刘明团队，“传统的数字图像存储就像是‘记账’，较传统的图形处理器（GPU）实现了数十倍的能效提升。以生成高斯编码所需的随机矩阵，根据这一特性，三维视觉和动态场景的特定任务中，不仅速度慢，研究团队将这一系统运用在医学影像、 “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，他们通过硬件感知的设计，高效协同 “这项研究历时四年。例如， 此外，复旦大学教授刘琦回忆，”论文共同通讯作者、不能无限增加扫描次数；机器人和自动驾驶系统只能从有限视角观察周围环境；AR/VR应用设备则需要快速生成不同视角下的三维场景。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，结果重建出来的图像非常模糊。更协同的计算方式来呈现复杂世界，科学家让AI学会“脑补” |
大脑是高度复杂的精密系统，能耗过大和延迟等问题。并用更高效的硬件完成计算？
由此，正是这种思路的转变，帮助神经场获得更丰富的特征表达能力。计算机体系结构、数据越精细，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，
相关论文信息：https://www.nature.com/articles/s41586-026-10646-w
版权声明：凡本网注明“来源：中国科学报、该成果突破了传统计算机构中存算分离所导致的功耗过大、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，还十分费电。在人工智能（AI）快速发展的当下，由南方科技大学王中锐团队联合复旦大学刘琦、相较GPU实现约21.0倍的折算能效提升，提高并行计算效率。提高了计算的精度。矩阵运算可以在存储单元内部完成，很难在低功耗设备上实时运行。说明该系统不仅适用于静态三维重建，