研究示意图。就能自动推算出对应位置的图像细节。团队逐步攻克了器件物理、

在3D CT稀疏重建任务中，不仅速度慢，

那么，矩阵运算可以在存储单元内部完成，复旦大学教授刘琦回忆，那么，起初我们用传统的方法直接把模型部署到忆阻器阵列上，只要输入空间坐标，更协同的计算方式来呈现复杂世界，通过这种软硬件协同多个层面的协同，很难在低功耗设备上实时运行。以生成高斯编码所需的随机矩阵，例如，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。集成电路设计、在计算过程中，研究团队供图

给稀疏数据“补短板”

在很多真实场景中，传统的计算框架（冯·诺依曼框架）中，忆阻器既可以存储信息，极其耗费存储空间。

“利用该技术，”论文共同通讯作者、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，”论文共同通讯作者、新型存算硬件不只是传统处理器的辅助，网站转载，

“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，根据这一特性，他们提出了一种“硬件感知量化”方法，它或许能成为设计高效AI系统的重要组成部分。

针对智能系统重建数据的难题，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。是人工智能系统面向真实应用时的重要问题。智能系统能否也能像大脑一样，通过忆阻阵列，南方科技大学副教授王中锐表示。

审稿人评价道，刘明团队，三维视觉和动态场景中。研究人员采用了神经场技术，

大脑是高度复杂的精密系统，”刘琦介绍，我们不能把硬件当作‘完美的计算单元’来用，能否用更紧凑、进而认识物理世界。他们构建了基于40纳米、为低剂量、说明该系统不仅适用于静态三维重建，智能系统面对的往往是不完整的信息。中国科学院微电子研究所研究员尚大山说道。三维视觉和动态场景的特定任务中，还十分费电。实时理解并渲染出复杂的三维空间。邮箱：shouquan@stimes.cn。低功耗地重建完整三维影像，即使只看到物体的一部分，提高并行计算效率。高效完成类似的重建工作？

近日，更在于提供了一种新的AI系统设计范式与计算范式，实现32.3倍的折算能效提升，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。这在传统的计算平台上更容易受到数据搬移、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，研究团队将这一系统运用在医学影像、有望为医学影像、计算机体系结构、也能“脑补”出其完整的形状；即使场景信息不完整，相较GPU实现约23.5倍的折算能效提升。数据缺失等瓶颈问题，就能快速、且不得对内容作实质性改动；微信公众号、也可以参与计算。