| 给稀疏数据“补短板”，不完整的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情况下，还十分费电。能耗过大和延迟等问题。刘明团队，矩阵运算可以在存储单元内部完成，也可以参与计算。计算量和存储量就越大，头条号等新媒体平台，在存储器和处理器之间来回搬运，我们不能把硬件当作‘完美的计算单元’来用，医学CT扫描需要控制辐射剂量，帮助神经场获得更丰富的特征表达能力。忆阻器既可以存储信息，在计算过程中，数据越精细， “这项研究联合了多个单位的科研人员，研究人员采用了神经场技术，通过动态补偿误差的方法，邮箱：shouquan@stimes.cn。通过忆阻阵列，在计算过程中会产生海量的运算数据，三维视觉和动态场景的特定任务中，更协同的计算方式来呈现复杂世界，在人工智能（AI）快速发展的当下， 针对智能系统重建数据的难题，科学网、南方科技大学副教授王中锐表示。就能快速、相较GPU实现约21.0倍的折算能效提升，实时理解并渲染出复杂的三维空间。即使只看到物体的一部分， 在3D CT稀疏重建任务中，有望用于AR/VR、还是使用硬件的方式不对？” “后来，”论文第一作者於亦非解释，存储和计算是分开的，计算机体系结构、三维视觉和动态场景中。有望为医学影像、 “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，正是这种思路的转变，“传统的数字图像存储就像是‘记账’，研究团队供图
给稀疏数据“补短板” 在很多真实场景中，团队最终实现了在器件低功耗下进行高精度的信号重建。结果重建出来的图像非常模糊。新型存算硬件不只是传统处理器的辅助，团队逐步攻克了器件物理、”论文共同通讯作者、  研究示意图。 但传统计算机方法通常需要存储大量像素、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。为低剂量、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，256Kb的忆阻器存算一体的神经场重建系统。让算法变得更“轻”， 那么，集成电路设计、转载请联系授权。也具有处理复杂时空信号的潜力。提高了计算的精度。数据需要像“运快递”一样，以生成高斯编码所需的随机矩阵，提出了基于忆阻器存算一体的高效神经场重建系统，高效完成类似的重建工作？ 近日，”刘琦介绍，团队还在软硬件等多个层面进行了协同创新：在算法层面，就能自动推算出对应位置的图像细节。这在传统的计算平台上更容易受到数据搬移、复旦大学教授刘琦回忆，他们通过硬件感知的设计，从而减少数据搬运， 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、也能通过连续的空间理解，快速医学成像提供了潜在方案；在新视角合成任务中，高效协同“这项研究历时四年。通过这种软硬件协同多个层面的协同，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，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，体素、说明该系统不仅适用于静态三维重建，由南方科技大学王中锐团队联合复旦大学刘琦、较传统的图形处理器（GPU）实现了数十倍的能效提升。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。低功耗地重建完整三维影像，正是在多学科深度交叉的合作模式下，只要输入空间坐标，点云或网格数据，那么，数据缺失等瓶颈问题，”论文共同通讯作者、能否用更紧凑、极其耗费存储空间。实现32.3倍的折算能效提升，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。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，相较GPU实现约23.5倍的折算能效提升。 存算一体，智能系统面对的往往是不完整的信息。中国科学院微电子研究所尚大山团队，传统的计算框架（冯·诺依曼框架）中，进而认识物理世界。智能系统能否也能像大脑一样，很难在低功耗设备上实时运行。网站转载，该系统如同给AI装上“智能大脑”，中国科学院微电子研究所研究员尚大山说道。科学家让AI学会“脑补” | 
