南方科技大学王中锐课题组联合香港大学齐晓娟教授、中科院微电子所尚大山研究员、复旦大学刘琦教授、刘明院士、香港科技大学郑光廷教授等合作团队，提出了一种基于忆阻器存算一体的高效神经场重建系统。研究团队将神经场隐式表示与忆阻器存算一体硬件相结合，并引入高斯编码、硬件感知量化、低秩分解、结构化剪枝和硬件感知超参数优化等软硬件协同方法，用于实现从稀疏观测到医学影像、三维场景和动态视觉信息的高效重建。相关成果以“Efficient and accurate neural field reconstruction using resistive memory”为题，在线发表于Nature。

　　该系统的核心思想是将神经场重建中的关键计算过程映射到忆阻器存算一体硬件中完成。神经场通过神经网络学习连续函数，将空间或时空坐标映射为图像强度、颜色和密度等信号值，从而以更紧凑的方式表示复杂医学影像和三维场景。忆阻器单元则以电导形式存储神经网络权重，并在阵列中直接完成并行矩阵运算，从而缓解传统计算架构中数据搬移带来的能耗和延迟问题。

　　与单纯的软件模型压缩或硬件加速不同，该研究强调“算法—器件—电路—架构”的协同设计。在算法层面，研究团队采用低秩分解和结构化剪枝降低神经场模型参数量，并通过硬件感知超参数优化方法，将网络结构、压缩比例、量化位宽和比特权重比例等因素纳入统一优化框架，使模型能够主动适应真实硬件约束。在编码层面，团队利用忆阻器写入过程中的本征随机性构建高斯编码模块，将器件随机波动转化为有用的物理随机资源，用于增强神经场对高频细节和复杂空间特征的表达能力。在权重映射层面，团队提出硬件感知量化方法，并结合可变电流乘法放大电路，逐步补偿忆阻器写入误差，实现更高精度的多比特权重计算。

　　该研究的重要意义不仅在于提升了神经场重建任务的能效和并行度，更在于展示了一种面向未来AI系统的软硬件协同设计范式。神经场提供紧凑、连续的信号表示，忆阻器存算一体硬件提供高并行、低功耗的计算平台，硬件感知量化和专用电路则帮助算法适应真实器件的不完美特性。因此，该工作并不是简单地用新硬件加速已有模型，而是探索了“算法—器件—电路—架构”协同优化的新路径，为高效医学AI、AR/VR、三维视觉和具身智能中的稀疏信号重建提供了重要参考。

　　本项研究得到国家星空彩票官方苹果版、中国科学院-香港地区微电子联合实验室、香港研究资助局优配研究金以及香港InnoHK ACCESS人工智能芯片中心等项目的资助与支持。

　　论文链接：https://www.nature.com/articles/s41586-026-10646-w

面向稀疏信号重建的忆阻器存算一体神经场系统跨层级协同设计