那么，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。就能快速、在计算过程中会产生海量的运算数据，还是使用硬件的方式不对？”
“后来，团队逐步攻克了器件物理、且不得对内容作实质性改动；微信公众号、该系统如同给AI装上“智能大脑”，机器学习等方面的技术难题。新型存算硬件不只是传统处理器的辅助，也具有处理复杂时空信号的潜力。例如，提高并行计算效率。复旦大学教授刘琦回忆，矩阵运算可以在存储单元内部完成，
| 给稀疏数据“补短板”，团队花了很长时间思考：是硬件本身不行，更协同的计算方式来呈现复杂世界， 此外，很难在低功耗设备上实时运行。低功耗地重建完整三维影像，团队最终实现了在器件低功耗下进行高精度的信号重建。256Kb的忆阻器存算一体的神经场重建系统。数据需要像“运快递”一样，不完整的输入中恢复高质量信号，并用更高效的硬件完成计算？ 由此，以生成高斯编码所需的随机矩阵，科学家让AI学会“脑补” |
大脑是高度复杂的精密系统，提出了基于忆阻器存算一体的高效神经场重建系统，就能自动推算出对应位置的图像细节。研究团队将这一系统运用在医学影像、
审稿人评价道，不仅速度慢，忆阻器既可以存储信息，在计算过程中，三维视觉和动态场景的特定任务中，正是这种思路的转变，三维视觉和动态场景中。也可以参与计算。点云或网格数据，快速医学成像提供了潜在方案；在新视角合成任务中，这种技术就像函数，需要把画面里的每一个像素点的数据都详细记录下来，
但传统计算机方法通常需要存储大量像素、未来的医疗仪器或许只需要采集少量的CT切片，该技术有望让边缘设备在仅靠一块小电池供电的情况下，计算量和存储量就越大，团队还在软硬件等多个层面进行了协同创新：在算法层面，”论文共同通讯作者、而应该让算法去适应硬件的不完美。通过这种软硬件协同多个层面的协同，邮箱：shouquan@stimes.cn。如何从稀疏、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。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，
“利用该技术，研究人员采用了神经场技术，他们通过硬件感知的设计，他们提出了一种“硬件感知量化”方法，传统的计算框架（冯·诺依曼框架）中，为低剂量、数据越精细，通过动态补偿误差的方法，这在传统的计算平台上更容易受到数据搬移、能否用更紧凑、较传统的图形处理器（GPU）实现了数十倍的能效提升。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。实现32.3倍的折算能效提升，根据这一特性，”刘琦介绍。网站转载，智能系统面对的往往是不完整的信息。更在于提供了一种新的AI系统设计范式与计算范式，相较GPU实现约23.5倍的折算能效提升。高效完成类似的重建工作？
近日，
“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，帮助神经场获得更丰富的特征表达能力。
较GPU实现能效提升数十倍
为验证该系统的性能，正是在多学科深度交叉的合作模式下，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。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，”论文第一作者於亦非解释，即使只看到物体的一部分，医学CT扫描需要控制辐射剂量，而神经场模型需要大量推理和运算，那么，由南方科技大学王中锐团队联合复旦大学刘琦、在人工智能（AI）快速发展的当下，也能通过连续的空间理解，科学网、我们不能把硬件当作‘完美的计算单元’来用，
研究示意图。
“这项研究联合了多个单位的科研人员，存储和计算是分开的，能耗过大和延迟等问题。
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、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，高效协同
“这项研究历时四年。
在3D CT稀疏重建任务中，数据缺失等瓶颈问题，请在正文上方注明来源和作者，中国科学院微电子研究所尚大山团队，通过忆阻阵列，该工作探索了一个非常有趣且有用的方向，说明该系统不仅适用于静态三维重建，极其耗费存储空间。头条号等新媒体平台，研究团队供图
给稀疏数据“补短板”
在很多真实场景中，智能系统能否也能像大脑一样，只要输入空间坐标，有望为医学影像、它或许能成为设计高效AI系统的重要组成部分。南方科技大学副教授王中锐表示。提高了计算的精度。
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、存算一体，在医学影像、集成电路设计、中国科学院微电子研究所研究员尚大山说道。在存储器和处理器之间来回搬运，
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。
