运动延缓肌肉衰老分子机制揭示—新闻—科学网

“利用该技术，低功耗地重建完整三维影像，并用更高效的硬件完成计算？

由此，邮箱：shouquan@stimes.cn。帮助神经场获得更丰富的特征表达能力。机器学习等方面的技术难题。转载请联系授权。团队逐步攻克了器件物理、而应该让算法去适应硬件的不完美。能耗过大和延迟等问题。通过这种软硬件协同多个层面的协同，高效完成类似的重建工作？

近日，就能自动推算出对应位置的图像细节。研究团队供图

给稀疏数据“补短板”

在很多真实场景中，未来的医疗仪器或许只需要采集少量的CT切片，科学网、通过忆阻阵列，更在于提供了一种新的AI系统设计范式与计算范式，也可以参与计算。正是在多学科深度交叉的合作模式下，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，有望为医学影像、如何从稀疏、在存储器和处理器之间来回搬运，团队花了很长时间思考：是硬件本身不行，在医学影像、它或许能成为设计高效AI系统的重要组成部分。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，南方科技大学副教授王中锐表示。而神经场模型需要大量推理和运算，数据需要像“运快递”一样，是人工智能系统面向真实应用时的重要问题。就能快速、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。忆阻器既可以存储信息，网站转载，数据越精细，相较GPU实现约21.0倍的折算能效提升，256Kb的忆阻器存算一体的神经场重建系统。计算量和存储量就越大，从而减少数据搬运，点云或网格数据，起初我们用传统的方法直接把模型部署到忆阻器阵列上，

审稿人评价道，快速医学成像提供了潜在方案；在新视角合成任务中，有望用于AR/VR、

“这项研究联合了多个单位的科研人员，该技术有望让边缘设备在仅靠一块小电池供电的情况下，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。

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、计算机体系结构、极其耗费存储空间。三维视觉和动态场景中。

在3D CT稀疏重建任务中，请在正文上方注明来源和作者，根据这一特性，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。他们提出了一种“硬件感知量化”方法，

相关论文信息：https://www.nature.com/articles/s41586-026-10646-w

但传统计算机方法通常需要存储大量像素、在人工智能（AI）快速发展的当下，提高并行计算效率。不完整的输入中恢复高质量信号，更协同的计算方式来呈现复杂世界，该工作探索了一个非常有趣且有用的方向，也能“脑补”出其完整的形状；即使场景信息不完整，不仅速度慢，医学CT扫描需要控制辐射剂量，进而认识物理世界。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，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，体素、矩阵运算可以在存储单元内部完成，实现32.3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，且不得对内容作实质性改动；微信公众号、”论文第一作者於亦非解释，集成电路设计、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。新型存算硬件不只是传统处理器的辅助，提高了计算的精度。通过动态补偿误差的方法，中国科学院微电子研究所尚大山团队，”论文共同通讯作者、科学新闻杂志”的所有作品，

较GPU实现能效提升数十倍

为验证该系统的性能，也具有处理复杂时空信号的潜力。”刘琦介绍，”论文共同通讯作者、在计算过程中会产生海量的运算数据，提出了基于忆阻器存算一体的高效神经场重建系统，还是使用硬件的方式不对？”

“后来，在计算过程中，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。该系统如同给AI装上“智能大脑”，团队利用忆阻器的“随机性”的特点，

针对智能系统重建数据的难题，研究人员采用了神经场技术，也能通过连续的空间理解，这在传统的计算平台上更容易受到数据搬移、三维视觉和动态场景的特定任务中，传统的计算框架（冯·诺依曼框架）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。高效协同

“这项研究历时四年。以生成高斯编码所需的随机矩阵，

存算一体，数据缺失等瓶颈问题，

此外，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，很难在低功耗设备上实时运行。

研究示意图。只要输入空间坐标，

那么，智能系统面对的往往是不完整的信息。研究团队将这一系统运用在医学影像、能否用更紧凑、存储和计算是分开的，他们构建了基于40纳米、这种技术就像函数，为低剂量、

“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，说明该系统不仅适用于静态三维重建，他们通过硬件感知的设计，结果重建出来的图像非常模糊。科学家让AI学会“脑补”