处理大脑皮层表面重建等复杂数学任务，传统芯片通常需耗时数十分钟。近日，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新型芯片，将这一过程压缩至零点几秒。
这款基于 40 纳米制程的芯片，运行神经动力系统单次迭代仅需 2.12 毫秒，速度较此前已知最快的同类芯片提升数十倍。其核心突破在于创新利用相变存储器（PCM），使其兼具数据存储与计算步长调整功能。测试显示，该芯片在进行大脑皮层和灰质表面 3D 重建时，误差低于千分之一毫米，运算速度比顶级 GPU 快近 500 倍。
神经动力系统：从“学习”到“演化”的突破
所谓“神经动力系统”，是将嵌入神经网络的学习能力与描述时间变化规律的动力系统数学方程相结合的计算模型。相较于传统方法逐帧计算导致的低效与易错，该模型能将物体形状变化视为连续流动过程：从粗糙模板出发，通过持续变形贴合真实物体表面。这种严格的数学机制确保了生成的 3D 网格光滑、完整且无破洞，在医学影像、计算机图形学及 AR/VR 等领域具有极高应用价值。
然而，神经动力系统长期受限于计算效率。其数值积分过程需反复调整步长：步长过大导致结果不稳，过小则计算量激增，传统控制器需不断试错。这一过程涉及海量读写与算术操作，传统架构因数据频繁搬运而面临高延时与高功耗瓶颈。
变缺陷为优势：相变存储器的存算一体革新
研究团队另辟蹊径，利用相变存储器的物理特性解决步长调整难题。相变存储器通过热量改变晶体状态从而调节电阻，其电阻值会随时间发生自然“漂移”。学界曾视此为缺陷，但本研究将其转化为可控的计算资源。
研究人员通过控制电阻漂移的方向与速度，实现步长的自动调节：无需额外计算电路或数据搬运，电阻的物理变化即完成步长校准。该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，芯片上的相变存储阵列直接运行神经网络，乘法与加法操作在存储器内部完成，实现了真正的“存算一体”。
图 | 从左到右：杨玉超、宋志棠（来源：资料图）
材料工艺优化：稳定性与多级存储
为确保控制精度，团队在相变材料中掺入碳元素以细化晶粒，显著提升了材料在反复相变后的电学稳定性。测试表明，芯片写擦次数高达 10^10 次，可连续稳定运行数年；在 0℃至 70℃宽温域下，电阻分布仅发生线性移动，各档位界限清晰，适应手机发热、户外低温及服务器散热不良等多种环境。
此外，该芯片支持 16 级电阻存储，远超传统二进制存储。通过差分结构排列，每个存储单元可表达正负各八个等级，在同等面积下容纳更多权重信息，大幅加速神经网络运行。
性能实测：速度与能效的跨越式提升
在大脑皮层 3D 重建测试中，传统工具 FreeSurfer 需耗时 2-3 小时，16 核服务器需 2.5 小时，即便使用 GPU 加速也需约 21 秒。而新芯片仅需 426 毫秒，速度提升 50 倍以上。重建结果的灰质与白质平均距离误差分别仅为 0.245 毫米和 0.376 毫米，曲面光滑无破洞，可直接用于 3D 打印脑科手术导航模型。
在更复杂的 3D 流形网格生成任务中，该芯片单次迭代耗时 2.12 毫秒，速度是此前最快同类芯片的 36 倍，功耗却仅为后者的 1/24。完成一次完整表面重建的能耗，仅相当于手机充电耗电量的千分之一。
为延长器件寿命，团队设计了时间交错机制，使步长漂移工作在不同存储行轮流进行，均衡负载并大幅延长芯片整体使用寿命。在芯片面积方面，新方案将计算相关区域压缩至 0.28 平方毫米，远小于传统方案所需的约 1 平方毫米，显著降低了功耗与散热需求。
行业意义：存算一体的落地验证
尽管目前仍为原型阶段，该芯片的意义已超越数据本身。它成功打破了传统计算机存储与计算分离的“冯·诺依曼瓶颈”，消除了数据搬运的时间与能耗成本。曾经被视为不稳定的相变存储器漂移效应，在此被转化为高效的步长搜索引擎；固定的电阻值转变为可调计算参数，为存算一体技术提供了强有力的实证。
大脑皮层重建仅是起点。在冠脉血管 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中，该技术均展现出巨大潜力。相关成果已发表于《科学》杂志，标志着相变存储器从数字存储向模拟存算一体领域的成功转型。
本研究由北京大学杨玉超、朱毅鑫、陶耀宇，以及中科院上海微系统所宋志棠、解晨晨等共同指导，第一作者为蔡磊（现北京化工大学讲师）、解晨晨及闫龙皞。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化，更多以往难以实现的算力应用将成为现实。