在芯片制造中，器件缺陷通常导致整块芯片报废或需避开坏点。香港大学李灿团队近期发表的两篇论文提出新思路：通过算法优化，使不完美的硬件也能实现可靠且高效的计算。
第一篇论文发表于 Nature Communications，团队让芯片在训练中主动适应硬件缺陷，将不完美器件纳入计算，实现了存储容量的超线性增长。
第二篇论文发表于 Nature Electronics，团队利用数学变换绕过故障器件，在器件失效率达近四成的情况下，仍保持超过 99.999% 的计算精度。
突破容量上限：赋予芯片“联想记忆”能力
传统计算机内存依赖精确寻址，类似图书馆查编号；而人脑具备“联想记忆”，能通过部分信息还原整体，如听前奏识歌曲、看半脸认故人。这种机制在处理模糊图像或补全残缺图案时效率更高。
既往模拟系统受限于存储模式间的干扰，增加容量需扩大网络规模，但这会加剧混淆并提升功耗。李灿团队研究的忆阻器虽能像突触一样存算一体、降低功耗，但受工艺限制，难免存在缺陷。
为此，团队开发了新型训练算法。该算法能在训练中测量并补偿器件真实缺陷：若无缺陷，系统自适应探索高效存储路径；若存在缺陷，则自动规避不理想器件，确保系统可用性。同时，引入多层结构及非线性操作，拓展网络复杂度，无需无限扩大单层网络即可表达更复杂的映射关系，如同从“平房扩建”转向“高楼建设”，显著提升存储效率。
实验数据显示，在处理二值和连续值数据时，所需器件数量最多减少 95%，存储容量约为此前最先进方案的两倍。在结构化真实数据上，容量实现超线性扩展，回忆时间缩短最高 99.7%，能效提升最高 8.8 倍。上述结果基于包含多个 64×64 忆阻器阵列的完整集成芯片验证。
无故障矩阵表示：高容错率下的精准计算
针对模拟计算易受器件故障影响、精度受限的问题，现有冗余备份和重训练方法存在面积、功耗及时间成本高的弊端。李灿团队提出“无故障矩阵表示方法”，将目标矩阵分解为两个可调子矩阵的乘积，编程至模拟硬件。该方法通过数学优化绕过故障器件，根据硬件缺陷情况动态调整分解方案，利用周围正常器件弥补缺陷器件的表达缺失。
传统模拟计算常采用差分对（两个器件相减）表示带符号数值，一旦单个器件故障即导致数值偏差。新方法通过矩阵分解在数学层面解决符号问题，规定某一行全为正或全为负，从而避免使用差分对，以更少器件实现同等矩阵表达。
该技术兼具高容错性与高容量优势。实验表明，在离散傅里叶变换矩阵测试中，即便器件故障率达 39%，系统余弦相似度仍超过 99.999%，计算结果与理想状态几乎一致。在无线通信原型机上，误码率降至原来的五十六分之一；在大矩阵跨领域基准测试中，密度提升超 194%，能效提升 164%。
应用前景：赋能边缘设备智能升级
李灿指出，该技术主要面向边缘计算领域，有望通过与存内计算及模拟计算初创公司合作转化成果。相比云端计算，边缘设备对功耗、实时性及硬件可靠性要求极高。
当前智能手表等设备仅能进行心率、计步等简单信号处理。引入联想记忆功能后，芯片可在低功耗下识别复杂模式，如通过手腕动作判断运动类型，或依据心率变化分析情绪状态。这不仅提升了能效，更拓展了边缘设备的功能边界，使其具备更接近人脑的智能处理能力。
参考资料：
https://doi.org/10.1038/s41467-026-69958-0
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成