香港大学工程学院论文登《自然》：阻变存储器助力神经场重建，能效提升最高32倍

香港大学工程学院电机与计算机工程系 Xiaojuan Qi 教授领衔的团队与合作者，于2026年6月10日在国际顶级期刊《自然》（Nature）发表论文《Efficient and accurate neural-field reconstruction using resistive memory》（基于阻变存储器的高效精准神经场重建）。研究提出一套「软件—硬件协同优化」框架，在 40 纳米、256Kb 阻变存储器宏单元上实现：三维CT稀疏重建、新视角合成与动态场景新视角合成三类任务的能效分别提升 23.5 倍、21.0 倍与 32.3 倍，并行度提升 10.8 倍、38.8 倍与 6.2 倍，且重建质量不受影响。

要解决的问题：从稀疏观测里重建完整信号

医学影像、增强与虚拟现实（AR/VR）、具身人工智能（Embodied AI）这些应用，都依赖一项底层能力——从稀疏、不完整的观测中重建出完整信号。它的难处在于两点：观测数据本身是不完整的，而可用的计算资源也有限。

论文指出，传统数字硬件路径面临三重瓶颈：

• 采样与存储开销大：显式信号表示需要密集采样与大量存储；
• 冯·诺依曼瓶颈：数据在处理器与存储器之间来回搬运，主导了能耗与时延；
• CMOS 电路并行效率有限：以互补式金属氧化物半导体为基础的传统电路，在并行计算上天花板明显。

解法：软件用神经场，硬件用存内计算

团队的方案是软硬两条线同时改。

软件层面，用「神经场」（neural fields）以神经网络隐式表示信号——不再逐点存储，而是用网络参数「记住」整个信号；再叠加低秩分解与结构化剪枝，把模型进一步压缩。

硬件层面，设计了一套基于阻变存储器（resistive memory）的存内计算（computing-in-memory）平台，核心是两个模块：

• 高斯编码器：利用阻变存储器固有的随机性（intrinsic stochasticity）实现高效编码，把「器件不完美」变成可计算的资源；
• 多层感知机处理引擎：通过硬件感知量化电路（hardware-aware quantization circuit）实现精确的权重映射，保证压缩后的模型仍能准确落在硬件上。

这种思路的巧妙之处在于：神经场本身对表示精度有一定的容忍度，而存内计算又在器件层面自带噪声——两者结合，恰好把「算法容错」与「器件随机性」对上了，而不是互相拖累。这也让整个系统可以在不牺牲重建质量的前提下换取数量级的能效收益。

实测提升：三组数字

在 40 纳米工艺、256Kb 阻变存储器宏单元上，团队给出的实测（预期）增益如下：

• 三维CT稀疏重建：能效 23.5 倍、并行度 10.8 倍；
• 新视角合成：能效 21.0 倍、并行度 38.8 倍；
• 动态场景新视角合成：能效 32.3 倍、并行度 6.2 倍。

论文结论认为，这项工作推进了 AI 驱动的信号重建技术，并为下一代高效能计算硬件铺路。对产业的意义很直接：医学影像设备如果能在片上一级完成稀疏重建，CT 的扫描剂量与成像等待时间都有望下降；AR/VR 与具身智能设备则可以在端侧、低功耗条件下完成实时场景重建——这类「算法—器件—电路」全栈协同的成果，正是近年顶级期刊最关注的类型。

对申请人的启示：港大工程与AI方向怎么选

这项研究横跨 AI 算法、神经形态器件与集成电路三个层面，恰好映射了港大工程学院的课程布局。站内在收的相关硕士包括：

• 电气与电子工程理学硕士（电气与电子工程理学硕士）：本次研究所属学系的主干课程，覆盖信号处理、通信与电子系统；
• 微电子科学与技术理学硕士（微电子科学与技术理学硕士）与集成电路与电子系统理学硕士（集成电路与电子系统理学硕士）：直接对接阻变存储器、存内计算与芯片设计；
• 人工智能理学硕士（人工智能理学硕士）：神经场、隐式表示与生成式重建的算法侧入口；
• 机器人与智能系统理学硕士（机器人与智能系统理学硕士）：面向具身AI这一论文明确点名的应用场景；
• 数据科学硕士（数据科学硕士）：适合以计算与建模方法为主线的申请人。

以上工程类硕士学费多为港币 210,800 元（本地生）/ 320,000 元（非本地生），人工智能理学硕士为港币 240,000 元/年，数据科学硕士为港币 216,000 元/年（2026/27 学年度口径，以官网最新公布为准）。选校时一个实用建议是：先看导师所在学系与实验室方向，再看课程设置——同一所学校的工程学科，不同学系（如微电子 vs 机器人）的实际训练差别很大。

常见问题

Q：这项研究发表在什么期刊？
《自然》（Nature），2026年6月10日在线发表，论文题为《Efficient and accurate neural-field reconstruction using resistive memory》，由香港大学工程学院电机与计算机工程系 Xiaojuan Qi 教授及其团队与合作者共同完成。

Q：什么是「神经场」和「存内计算」？
神经场是用神经网络隐式表示信号的方法——不逐点存储数据，而是用网络参数表示整个信号；存内计算则是直接在存储器内完成运算，避免数据在处理器与内存之间搬运（冯·诺依曼瓶颈），从而大幅降低能耗与时延。

Q：能效提升 23.5 倍这类数字是怎么测出的？
研究在 40 纳米工艺、256Kb 阻变存储器宏单元上进行验证，针对三维CT稀疏重建、新视角合成、动态场景新视角合成三类任务，分别报告了能效与并行度的预期增益，且重建质量未受影响。