亚10毫秒！北大团队用相变存储器打造神经动力学系统芯片，脑皮层重建速度提升近480倍

发布时间：2026-07-17 17:22:58 来源：安智兰德资讯网 作者：知识

一、亚毫神经网络与微分方程的秒北邂逅：被忽视的速度瓶颈

在对三维物体表面进行建模（例如从核磁共振数据中重建大脑皮层的白质与灰质表面）时，传统方法面临着双重挑战：既要确保几何层面的大团队用度提高保真度，又要维持严格的相变系统芯片拓扑一致性——即曲面不得自相交，且不能出现“洞”。存储层重近年来，器打神经动力学系统（Neural Dynamical Systems,造神 NDS）通过将神经网络嵌入连续时间的微分方程求解过程，在此类任务中展现出超越传统卷积神经网络（CNN）和 Transformer 的经动建速精度与稳定性。

然而，力学NDS 长期受制于一个显著的脑皮软肋：速度瓶颈。由于每一步计算均需神经网络参与自适应步长的升近搜索与误差校验，单次完整迭代往往耗时数百毫秒。亚毫即便在 GPU、秒北FPGA 或专用 ASIC 上运行，大团队用度提这一延迟量级也难以突破，相变系统芯片导致高保真几何重建难以实现实时化。

7 月 2 日发表于《Science》的一项突破性研究提供了全新解决方案。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，利用相变存储器（PCM）忆阻器的物理特性，设计了一款 40 纳米 NDS 专用芯片。该芯片将单次迭代计算延迟压缩至 2.12 毫秒，端到端脑皮层重建任务延迟低至 426.31 毫秒。相比 NVIDIA GPU A100，其加速比达到 50 倍至 478 倍，同时功耗降低 11.75 至 24.73 倍。

图 1｜多级、细粒度可控电导漂移（CCD）忆阻器构成的 NDS 硬件总览：从物理世界建模到芯片实现
(图片来源：论文 Fig.1)

论文信息
* 标题：A sub-10-millisecond neural dynamical system based on phase-change memristors
* 链接：https://doi.org/10.1126/science.aee6277
* 期刊：Science，2026 年 7 月 2 日
* 单位：北京大学、中国科学院上海微系统与信息技术研究所等
* DOI：10.1126/science.aee6277

二、瓶颈拆解：NDS 硬件设计的三大难题

要理解此项工作的创新价值，需先剖析 NDS 计算缓慢的根本原因。论文将其归纳为三个层面的挑战：

1. 自适应步长搜索代价高昂：NDS 依赖 Runge-Kutta（RK）等数值积分方法，需根据局部误差动态调整步长 $\Delta t$。剧烈形变区域需小步长以保证稳定性，平滑区域则大步长以提升效率。传统实现中，这一搜索过程涉及大量读写、缓存及乘法运算，仅步长搜索电路即可占据芯片近 1/3 的面积和约 1/5 的延迟。
2. 嵌入式神经网络（ENN）的高频调用开销：ENN 的推理延迟和存储开销直接决定整体性能，数据搬运耗时甚至占总延迟的四分之一以上。
3. 特殊计算核与存储墙问题：NDS 包含根号计算等特殊核，需专用硬件支持。传统冯·诺依曼架构下，存算分离导致数据频繁搬运，天然存在存储墙瓶颈。

研究团队的应对策略极具巧思：放弃用数字电路计算步长，转而让物理器件演化出步长，这正是相变存储器（PCM）大显身手之处。

三、核心创新一：利用电导漂移实现原位步长搜索

相变存储器的核心材料为锗锑碲（GST）合金。通过施加电脉冲，器件可在高阻非晶态与低阻晶态间转换（SET 为低阻，RESET 为高阻）。团队发现的关键现象是：PCM 器件的电导会随时间发生一种可预测、可控制的漂移（Controlled Conductance Drift, CCD）。

研究者并未将这种漂移视为噪声或缺陷，而是将其转化为计算资源：
* 电导编码步长：利用电导值直接编码步长 $\Delta t$，将步长的“试探”过程等价于电导随时间自然漂移的物理过程。
* 简化电路：此举省去了传统方案中大量的读、写及乘法电路。
* 稳定性验证：大规模测试证实，无论是 SET 还是 RESET 操作，不同电导状态间均具备一致的漂移规律。团队还验证了超过 $10^{10}$ 次循环的读写耐久性，确保芯片可稳定运行数年。

图 2｜细粒度 CCD 实现原位步长搜索：PCM 器件的相变机制、电导漂移特性及大规模器件的一致性验证
(图片来源：论文 Fig.2)

四、核心创新二：将神经网络“焊”入存储阵列

除步长搜索外，NDS 的主要算力消耗在于 ENN 的推理，尤其是内部大量的矩阵乘加运算。团队采用存内计算（Compute-in-Memory, CIM）思路：
* 多级电导映射：利用 PCM 器件的多级电导（Multi-Level Cell, MLC）特性，将神经网络权重以电导值形式直接编程进忆阻器阵列。
* 模拟域原位计算：乘加运算在存储单元内部、模拟域中完成，无需数据搬运至独立运算单元。
* 高精度量化：设计双列差分结构，将权重量化为 8 个电导等级（对应 $\pm10, \pm15, \pm25, \pm35, \pm45$ S 共 16 个取值），覆盖 $32\times32$ 至 $128\times128$ 规模的 ENN 权重矩阵。配合 write-verify 编程方案，实现高精度写入。

最终，ENN 存内计算阵列与步长漂移阵列总面积仅为 0.28 平方毫米，其中 $288\times512$ 的 PCM 1T1R 阵列集成了约 14.7 万个存储器件。

图 3｜多级电导特性精准映射调控机制
(图片来源：论文 Fig.3)

五、芯片架构：四步走完成一次 NDS 迭代

团队流片验证了一颗 40 纳米NDS 芯片，运行时钟为 50 MHz。该芯片将上述两大机制整合至同一套外围电路中，包括脉冲生成电路、逐次逼近型模数转换器（SAR-ADC）、字线/位线/选择线驱动电路等。

以四阶 Runge-Kutta 方法搭配多层感知机 ENN 为例，一次完整 NDS 计算拆解为：
1. ENN 的存内计算。
2. 步长的电导漂移。
3. 利用 $k_1$ 至 $k_4$ 中间量乘以步长 $\Delta t$，得到输出结果与误差估计。

性能对比：
* 面积优化：相比基于 CMOS 工艺的专用 ASIC 方案，用 PCM 替代 SRAM 权重缓存节省了 0.26 平方毫米面积；原位步长搜索机制进一步省去了乘法器、缓冲器等电路。
* 最终面积：整体仅为 0.28 平方毫米。
* 速度与功耗：面对相同 ENN 和步长搜索任务，该芯片相比此前 ASIC 方案，速度提升 3.82 至 36.27 倍，功耗降低 11.75 至 24.73 倍。

图 4｜NDS 芯片版图与计算数据流：芯片实物照片、四阶段计算时序及面积 / 延迟 / 功耗对比
(图片来源：论文 Fig.4)

六、实战验证：脑皮层重建提速近 500 倍

团队选择了极具挑战性的高保真几何建模任务：同时重建大脑白质（WM）与灰质（GM）皮层曲面。此类曲面褶皱蕴含重要解剖与功能信息，且必须保证生成的网格为无自相交、亏格为 0（genus-0）的闭合流形。

精度表现：
* 自相交率：PCM-NDS 方案在不同误差容限下的自相交率显著更低（0.0001 - 0.1064），而普通神经网络为 0.1235。
* 几何质量：生成的三维打印皮层曲面未出现“非流形”自相交缺陷。
* 定量指标：重建曲面的平均对称表面距离（ASSD）在白质、灰质上分别为 0.245和 0.376；豪斯多夫距离（HD）分别为 0.525和 0.786，达到高保真重建精度要求。

速度基准对比：
* Intel 至强 8462Y 多核运行 FreeSurfer：单次重建耗时 8722 - 11860 秒。
* GPU A100：在不同误差容限下耗时 1.83 - 21.47 秒。
* PCM-NDS 芯片：同一任务耗时压缩至 3.85 - 426.31 毫秒。

相比 GPU A100，PCM-NDS 芯片实现了 50.38 倍至 478.18 倍的加速，真正将高保真几何重建从计算瓶颈转变为可实时完成的操作。

图 5｜NDS 硬件在物理建模中的应用：脑皮层重建质量对比与不同硬件平台的速度基准
(图片来源：论文 Fig.5)

七、结语：忆阻器计算的“顺势而为”

这项工作的核心启示在于：相变存储器的电导漂移曾被视为需抑制的非理想特性，而团队通过掺碳等工艺精细调控，将其转化为天然的、连续的计算资源，用于原位完成传统数字电路需大量读写和乘法运算才能完成的步长搜索。

这为存内计算的应用场景开辟了新思路：除了加速深度学习矩阵乘加，忆阻器件的模拟特性同样可承载更复杂的数值计算过程，如微分方程求解、动力系统建模等长期被视为耗时、耗能的任务。随着具身智能、数字孪生、医学影像等领域对高保真物理建模需求激增，这种将算法特性与器件物理深度耦合的软硬件协同设计思路，有望成为下一代低延迟 AI 硬件的重要方向。

作者信息
* 共同通讯作者：北京大学朱毅鑫研究员、北京大学陶耀宇副研究员
* 第一作者：北京大学博士后蔡磊（现任职于北京化工大学）、中国科学院上海微系统与信息技术研究所解晨晨研究员、北京大学博士后闫龙皞

《科学》杂志同期发表专题观点评述（Perspective），高度评价该工作“代表了一种物理驱动计算的理念转变”。

项目支持
相关工作入选“面向 2030 北京大学重大培育项目”，并得到新基石研究员项目、国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、深圳市重点产业研发计划等支持。

主要作者介绍

杨玉超
北京大学博雅特聘教授，国家杰青，新基石研究员，信息工程学院院长，科学智能学院副院长。长期从事存算一体芯片、类脑计算、脑机接口等研究。主持国家重点研发计划、新基石研究员项目、面向 2030 北京大学重大培育项目、国家杰青、基金委重大研究计划集成项目、基金委重点项目、北方先进工艺研究院双 1+1 工程重点项目、霍英东青年教师基金等重大/重点科研项目 20 余项。相关成果累计发表 Science、Nature Electronics、Nature Reviews Materials、Nature Nanotechnology、Nature Communications、Science Advances 等期刊和会议论文 180 余篇。

宋志棠
中国科学院上海微系统与信息技术研究所研究员，博士生导师，信息功能材料国家重点实验室副主任，第二研究室主任。长期从事相变存储器材料与器件、纳米抛光液领域的研究工作，在新型相变材料、相变存储芯片、高密度存储技术、相变抛光等领域取得多项创新性成果。在 Science、Nature Communications、IEDM 等期刊发表 SCI 论文 511 余篇。

蔡磊
北京大学博士后，杨玉超教授团队核心成员，现任职于北京化工大学，硕士生导师。以第一作者发表 Science、Nature Electronics 等国际顶级期刊。长期从事面向新型存储器的类脑计算、脑机接口软硬件协同加速器设计，主持北京市自然科学基金。

相关文章