全球首款！北大集成電路學院《Science》

在我們的大腦中，每時每刻都發生著無數電信號傳輸，它們甚至比計算機還要快很多。計算機在模擬大腦皮層信號時，畫面永遠跟不上現場，就好比直播卡頓，這種延遲在臨床手術、機器人控制等場景下是致命的。針對這個問題，北大團隊提出了一種新芯片，讓計算機終于跟上了大腦的速度。

近日，北京大學集成電路學院楊玉超教授團隊，聯合中國科學院上海微系統與信息技術研究所宋志棠研究員團隊等，在國際頂級學術期刊《科學》發表題為“A sub-10-millisecond neural dynamical system based on phase change memristors”（基于相變憶阻器的亞10毫秒神經動力學系統）的研究成果，在新型神經動力學計算芯片領域取得重大突破。

如何用機器運算模擬人腦思維？

神經動力學+可控存內計算

腦是自然界最復雜的動力學系統之一。無論是腦機接口要實時解析神經狀態，還是醫學影像要高精度重建腦皮層，都離不開對連續神經形態和動態過程的快速建模。神經動力學系統正是為此而生。它巧妙地將神經網絡強大的學習表達能力，與微分方程擅長的“連續動態演化”機制融為一體，能在不完整、帶噪聲的數據中重建出平滑精確的三維腦結構，應用潛力巨大。

但它有個致命弱點：計算量太大了。其求解過程需要反復進行積分、誤差控制和自適應步長搜索。而在傳統的計算架構（馮·諾依曼架構）中，存儲器和處理器是分離的。在這種模式下，計算過程中產生的海量中間變量，必須像“快遞包裹”一樣，在存儲器和處理器之間來來回回頻繁搬運。這種高強度的數據周轉，極大放大了延遲和能耗，是實時高保真腦建模的核心瓶頸。

如何在保持高精度連續建模能力的同時，實現低延遲的實時計算？針對這一世界級難題，北大團隊成功研制出全球首個基于相變憶阻器的毫秒級神經動力學系統芯片，一舉突破了相變型憶阻器長期面臨的瓶頸問題，首次將神經動力學系統的單步運算時延大幅壓縮至2.12毫秒。

這顆神奇的芯片是如何做到既快又準的？團隊的關鍵法寶，是提出了一種基于相變型憶阻器的“可控存內計算”新范式。傳統的數字硬件計算，就像是反復在不同車間之間搬運貨物，頻繁的讀寫、乘法運算、緩存訪問與數據搬運帶來了極高的“開銷”。而團隊的新方案，則是讓數據在“原地”就能高效完成加工。

為了實現這種“原位加工”，團隊通過精準調控相變存儲器自身的物理規律，即電導漂移與多級電導特性，構建出精準可控的機制。這就好比通過精細調節材料內部的電阻開關，讓器件的物理變化過程本身就代表了一定的計算步驟，從而讓硬件特性與神經動力學算法系統性地融為一體。

在此基礎上，團隊成功實現了自適應積分步長的原位搜索，以及多級電導的存內乘累加計算芯片設計。這使得芯片能在原地直接完成復雜的乘法和加法運算，根據運算需求自動微調計算節奏（積分步長）。這種巧妙的設計成功甩掉了傳統硬件頻繁搬移數據的繁重包袱，讓系統同時兼顧了高精度與實時性，為后摩爾時代的計算芯片提供了全新范式。

相關實驗結果表明，在執行相同神經動力學運算時，該系統較當前最先進的專用加速器（ASIC）實現3.82~36.27倍速度提升以及11.75~24.73倍功耗降低；在腦皮層表面重建等高保真腦建模任務中，較NVIDIA A100 GPU提速達50.38×~478.18倍。這一成果實現了神經動力學計算的關鍵突破，它讓原本需要耗時“慢算”的復雜任務，變成了毫秒級的“實時在線”操作。這也意味著，未來的腦機接口、大腦數字孿生、神經導航以及神經退行性疾病智能診療，終于有了更強大的硬件支撐。

圖1 基于相變型憶阻器的毫秒級神經動力學系統

讓芯片像大腦神經網絡一樣思考

基于相變型憶阻器的計算范式

北京大學楊玉超教授研究團隊從憶阻器器件物理出發，提出了一條以“可控存內計算”為核心的融合創新路線，實現存算一體芯片領域重大突破。相變存儲器具有連續電導演化和多級電導調控能力，其電導狀態不僅可以被精細編程，而且能夠在特定時間窗口內呈現可預測、可映射、可調控的動態變化。團隊抓住這一物理特性，將其與神經動力學系統中的自適應積分過程建立對應關系，使器件本身的電導演化不再只是存儲狀態的變化，而成為可被精確利用的原位計算過程。

基于這一發現，團隊提出了細粒度可控電導演化機制，將積分步長直接編碼為相變存儲器的電導狀態，讓器件自身的物理演化來完成步長搜索。使得原本需要由數字電路反復計算、比較和判斷的“該怎么走下一步”的過程，被轉化為陣列中的物理演化，材料自己就能“摸著石頭過河”，直接突破了神經動力學系統半個世紀以來“精度與延遲相互制衡”的核心瓶頸。

圖2 細粒度可控電導漂移調控機制

為了將理論優勢轉化為實際性能，研究團隊進一步利用相變存儲器的多級電導調控能力，構建了高密度的存內計算陣列。他們巧妙地將內嵌神經網絡的“權重存儲”與“矩陣運算”統一映射到這方寸之間。借助精準的寫入校驗機制，陣列不僅能穩定記住海量數據，還能在內部直接完成推理計算。

自適應步長搜索和神經網絡矩陣運算這兩類原本極其復雜、依賴龐大數字電路的核心過程，被徹底“打包”進相變憶阻器的物理系統中。由此，團隊打通了從底層器件、中層算法到頂層架構的壁壘，形成了從器件、算法到架構協同設計的“可控存內計算”的新范式。

圖3 多級電導特性精準映射調控機制

基于相變器件兩種電導可控特性，采用40納米工藝制造神經動力學芯片，存內計算與步長漂移陣列總面積僅0.28平方毫米，并配備編程脈沖生成電路、模數轉換器等外圍電路。芯片運行頻率為50 MHz，單步積分僅需9級流水，最終實現2.12毫秒的神經動力學單次迭代計算時延，首次將神經動力學硬件系統運行時間推進到毫秒級時代。

圖4 基于相變型憶阻器的神經動力學芯片性能

值得注意的是，研究團隊將該芯片用于大腦白質與腦灰質皮層表面的實時重建以及三維流形網格生成。結果表明，該系統能夠生成平滑、閉合、拓撲一致的腦皮層表面，準確刻畫復雜皮層褶皺結構，并有效抑制傳統神經網絡方法中常見的自相交（Self Intersection）和非流形偽影。重建結果在對稱表面平均距離（Average Symmetric Surface Distance）和豪斯多夫距離（Hausdorff Distance）等指標上均顯示出優勢，滿足高保真腦結構建模要求。

圖5實時大腦皮層表面重建以及三維流形網格生成

一種腦科學研究理念的新可能

物理驅動計算的重要啟示

這一突破對于腦機接口具有重要啟示。未來腦機接口不僅需要讀取神經信號，更需要實時理解大腦狀態、預測神經動力學演化，并根據反饋進行閉環調控。高保真腦建模能夠以毫秒級速度運行，有望為腦機接口提供個體化、動態化、可解釋的腦狀態模型，使腦機系統從簡單信號識別走向實時腦狀態建模與智能交互。

在醫學場景中，該技術也有望支撐腦數字孿生、術中神經導航、腦皮層實時重建和神經退行性疾病輔助診斷。對于阿爾茨海默癥、帕金森病等疾病而言，腦結構和腦功能的細微變化往往具有重要臨床價值。該項研究在低功耗硬件上快速完成高保真腦建模，為腦疾病早篩、病程監測和個性化干預提供新的技術路徑。《科學》雜志同期針對該工作發表專題觀點評述文章（Perspective），高度評價該工作“代表了一種物理驅動計算的理念轉變”。

相關工作入選“面向2030北京大學重大培育項目”。該研究得到新基石研究員項目、國家重點研發計劃、國家自然科學基金、廣東省存算一體芯片重點實驗室、深圳市重點產業研發計劃等支持。

部分作者實驗室合影（從左到右：蔡磊、楊玉超、張騰）

來源 | 北京大學融媒體中心、北京大學集成電路學院

近期學術會議推薦

歡迎留言，分享觀點。點亮?