在处理大脑皮层表面重建这类高复杂度数学任务时，全球器神传统芯片往往需要耗费数十分钟。首次然而，基于计算经动由北京大学杨玉超教授团队与中国科学院上海微系统与信息技术研究所宋志棠研究员团队联合研发的可控新一代芯片，将这一耗时压缩至零点几秒。存内

这款基于40纳米制程的忆阻芯片，其神经动力系统单次迭代时间仅为2.12毫秒，力学性能超越此前已知最快的芯片同类芯片数十倍。其核心突破在于对相变存储器（PCM）的面世创新应用：研究人员不仅利用其存储数据，更创造性地利用其电阻漂移特性来动态调整计算步长。全球器神在大脑皮层及灰质表面3D重建测试中，首次该芯片误差控制在千分之一毫米以内，基于计算经动速度比顶级GPU快近500倍。可控

神经动力系统：学习与演化的存内完美融合

“神经动力系统”是神经网络与动力系统的结合体：
* 神经：嵌入神经网络，具备从数据中学习规律的忆阻能力。
* 动力系统：基于数学方程，描述事物随时间演化的规律。

这种混合模型特别适合3D物体表面重建。传统逐帧计算方法不仅缓慢且易出错，而神经动力系统将形状变化视为连续流动过程。它从粗糙模板出发，通过连续变形贴合真实物体表面。从数学严谨性来看，该方法确保曲面在变形过程中不会自相交，从而生成光滑、完整、无破洞的3D网格。这一特性在医学影像、计算机图形学及AR/VR领域具有极高价值。

（来源：《科学》）

突破瓶颈：将“缺陷”转化为“功能”

尽管神经动力系统优势明显，但其核心痛点在于计算效率低下。数值积分需要反复调整步长：步长过大导致不稳定，过小则导致计算冗长。传统控制器需不断试错，涉及大量读写、乘加操作，数据搬运造成极高的时间和能耗成本。

研究人员另辟蹊径，利用相变存储器的物理特性解决这一难题：

1. 相变存储器原理：依靠热量改变电阻状态。传统观点认为其电阻随时间发生的“漂移”现象是缺陷。
2. 创新应用：团队通过材料优化，将电阻漂移控制在预设方向和速度。
3. 步长变大：调整电阻至特定值。
4. 步长变小：调整至另一值。
5. 自动调节：利用电阻自然漂移完成步长调整，无需额外计算电路或数据搬运。

此设计将步长搜索的硬件面积压缩至传统方案的十分之一。同时，芯片内的相变存储阵列直接执行神经网络的乘加运算，实现真正的存内计算，数据无需移出存储器，通电即得结果。

图 | 从左到右：杨玉超、宋志棠（来源：资料图）

材料与工艺优化：稳定性与寿命的双重飞跃

为实现上述控制精度，研究团队在材料和工艺层面进行了深度优化：

• 碳掺杂技术：在相变材料中掺入碳以细化晶粒，确保材料在反复相变后仍保持稳定的电学性能。
• 超长寿命：芯片写擦次数可达$10^{10}$次，相当于连续运行数年无故障。
• 温度稳定性：在0°C至70°C范围内，电阻分布仅发生线性整体移动，档位间隔清晰，无混叠现象。这确保了芯片在手机发热、户外低温或服务器高温等极端环境下的可靠性。
• 多级存储能力：相比传统存储器的二进制（0/1），该芯片可稳定存储16种不同电阻值，形成差分结构（正负各8级）。在同等面积下存储更多权重信息，显著提升神经网络运行效率。

（来源：《科学》）

性能实测：超越GPU的极致效率

研究团队通过多项测试验证了芯片性能：

1. 大脑皮层3D重建

• 传统工具（FreeSurfer）：耗时2-3小时。
• 16核服务器：耗时约2.5小时。
• 普通GPU：耗时约2秒。
• 新芯片：仅用426毫秒，比GPU快50倍。
• 精度：灰质和白质平均距离误差分别为0.245毫米和0.376毫米，网格无破洞、无交叉，可直接用于3D打印手术导航模型。

2. 复杂3D流形网格生成

• 单次迭代时间：2.12毫秒，比最快同类芯片快36倍。
• 功耗：仅为前者的1/24。
• 能效：完整表面重建能耗约为手机充电量的千分之一。

3. 时间交错机制延长寿命

为防止单行存储单元过度磨损，团队设计了时间交错机制，使步长漂移任务在不同存储行间轮流执行。这种调度策略将芯片整体使用寿命大幅延长至远超单个器件极限，体现了从实验室走向真实应用的工程考量。

4. 面积与集成优势

• 传统方案：需0.7平方毫米乘加电路 + 0.26平方毫米权重缓存，总面积约1平方毫米。
• 新方案：利用存内计算和漂移效应，计算相关面积仅0.28平方毫米。
• 优势：面积缩小带来功耗降低和发热减少，简化散热方案，利于封装与系统集成。

意义与展望：存算一体的新范式

该芯片虽为原型，但其意义远超性能数据本身。它证明了在相变存储器中，传统的“漂移”噪声和“多级电阻”特性可转化为可控的计算资源，实现了真正的存算一体。

• 应用场景拓展：除大脑皮层重建外，该技术还可应用于冠脉血管3D重建、无人驾驶实时环境建模、文物数字化保护及游戏动态角色形变等高保真表面建模场景。
• 学术发表：相关成果已发表于顶级期刊《科学》（Science）。
• 团队贡献：
• 共同通讯作者：北京大学朱毅鑫研究员、陶耀宇副研究员。
• 第一作者：北京大学博士后蔡磊（现北京化工大学讲师）、中科院上海微系统所解晨晨研究员、北京大学博士后闫龙皞。

未来，随着阵列规模扩大、外围电路优化及与大模型接口的深度融合，这一技术有望解决更多以往无法实现的实时高精度计算任务。

参考资料：

• 相关论文: https://www.science.org/eprint/WEY75M4YUHGJVGTEX5YC/full?activationRedirect=/doi/full/10.1126/science.aee6277
• 中科院上海微系统所: http://shmmc.kjtj.cas.cn/zj/201505/t20150519_493975.html
• 北京大学电子学院: https://www.ece.pku.edu.cn/info/1045/2542.htm
• 北京大学人工智能研究院: https://www.ai.pku.edu.cn/info/1137/2306.htm
• 北京大学人工智能研究院: https://www.ai.pku.edu.cn/info/1136/1864.htm
• LinkedIn: https://www.linkedin.com/in/%E6%99%A8%E6%99%A8-%E8%A7%A3-4221a5b4/
• 北京大学集成电路学院: https://ic.pku.edu.cn/szdw/bsh/index.htm

排版：胡巍巍
注：封面/首图由 AI 辅助生成