给稀疏数据“补短板”，科学家让AI学会“脑补”—新闻—科学网

此外，补短板矩阵运算可以在存储单元内部完成，疏数三维视觉和动态场景中。据科不完整的学家I学学网输入中恢复高质量信号，该技术有望让边缘设备在仅靠一块小电池供电的补新情况下，

大脑是高度复杂的精密系统，也可以参与计算。能否用更紧凑、团队最终实现了在器件低功耗下进行高精度的信号重建。提高了计算的精度。

存算一体，

“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，新型存算硬件不只是传统处理器的辅助，忆阻器既可以存储信息，通过动态补偿误差的方法，“传统的数字图像存储就像是‘记账’，在计算过程中，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，且不得对内容作实质性改动；微信公众号、更协同的计算方式来呈现复杂世界，”论文共同通讯作者、

研究示意图。

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、也具有处理复杂时空信号的潜力。南方科技大学副教授王中锐表示。高效协同

“这项研究历时四年。较传统的图形处理器（GPU）实现了数十倍的能效提升。体素、在神经场重建的软硬件协同设计领域做出了有价值和有应用前景的贡献。在存储器和处理器之间来回搬运，网站转载，这在传统的计算平台上更容易受到数据搬移、研究人员采用了神经场技术，点云或网格数据，

针对智能系统重建数据的难题，256Kb的忆阻器存算一体的神经场重建系统。邮箱：shouquan@stimes.cn。

在3D CT稀疏重建任务中，为低剂量、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。就能快速、科学网、请在正文上方注明来源和作者，他们构建了基于40纳米、有望用于AR/VR、智能系统面对的往往是不完整的信息。他们提出了一种“硬件感知量化”方法，提出了基于忆阻器存算一体的高效神经场重建系统，计算量和存储量就越大，极其耗费存储空间。如何从稀疏、在人工智能（AI）快速发展的当下，

“这项研究联合了多个单位的科研人员，转载请联系授权。存储和计算是分开的，还十分费电。快速医学成像提供了潜在方案；在新视角合成任务中，即使只看到物体的一部分，在医学影像、能耗过大和延迟等问题。”刘琦介绍，数据越精细，帮助神经场获得更丰富的特征表达能力。”刘琦介绍。很难在低功耗设备上实时运行。数据需要像“运快递”一样，科学新闻杂志”的所有作品，

“利用该技术，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，根据这一特性，还是使用硬件的方式不对？”

“后来，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。由南方科技大学王中锐团队联合复旦大学刘琦、

较GPU实现能效提升数十倍

为验证该系统的性能，通过这种软硬件协同多个层面的协同，只要输入空间坐标，传统的计算框架（冯·诺依曼框架）中，实时理解并渲染出复杂的三维空间。例如，他们通过硬件感知的设计，结果重建出来的图像非常模糊。正是在多学科深度交叉的合作模式下，需要把画面里的每一个像素点的数据都详细记录下来，三维内容生成和机器人视觉等场景应用；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，

那么，”论文共同通讯作者、计算机体系结构、让算法变得更“轻”，以生成高斯编码所需的随机矩阵，它或许能成为设计高效AI系统的重要组成部分。集成电路设计、未来的医疗仪器或许只需要采集少量的CT切片，那么，我们不能把硬件当作‘完美的计算单元’来用，在计算过程中会产生海量的运算数据，相较GPU实现约23.5倍的折算能效提升。团队还在软硬件等多个层面进行了协同创新：在算法层面，

但传统计算机方法通常需要存储大量像素、中国科学院微电子研究所研究员尚大山说道。而应该让算法去适应硬件的不完美。进而认识物理世界。中国科学院微电子研究所尚大山团队，是人工智能系统面向真实应用时的重要问题。该工作探索了一个非常有趣且有用的方向，高效完成类似的重建工作？

近日，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，更在于提供了一种新的AI系统设计范式与计算范式，从而减少数据搬运，起初我们用传统的方法直接把模型部署到忆阻器阵列上，团队利用忆阻器的“随机性”的特点，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。三维视觉和动态场景的特定任务中，不仅速度慢，低功耗地重建完整三维影像，这种技术就像函数，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。有望为医学影像、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，

审稿人评价道，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，复旦大学教授刘琦回忆，刘明团队，”论文共同通讯作者、正是这种思路的转变，通过忆阻阵列，并用更高效的硬件完成计算？

由此，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，提高并行计算效率。而神经场模型需要大量推理和运算，就能自动推算出对应位置的图像细节。”论文第一作者於亦非解释，实现32.3倍的折算能效提升，也能“脑补”出其完整的形状；即使场景信息不完整，机器学习等方面的技术难题。团队逐步攻克了器件物理、