亞10毫秒！北大團隊用相變存儲器打造神經動力學系統芯片，腦皮層重建速度提升近480倍

一、當神經網絡遇上微分方程：一個被忽視的速度瓶頸

如果要給三維物體的表面建模，比如從核磁共振數據中重建大腦皮層的白質、灰質表面，傳統方法既要保證幾何上的高保真度，又要維持嚴格的拓撲一致性 —— 曲面不能自相交、不能出現「洞」。近年來，一類被稱為神經動力學系統（Neural Dynamical Systems, NDS）的方法，憑借將神經網絡嵌入連續時間的微分方程求解過程，在這類任務上展現出遠超傳統卷積網絡和 Transformer 的精度與穩定性。

但 NDS 有一個眾所周知的軟肋：速度瓶頸。由于每一步計算都需要神經網絡反復參與自適應步長的搜索與誤差校驗，一次完整的迭代往往需要數百毫秒，跑在 GPU、FPGA 甚至專用 ASIC 上都難以突破這一延遲量級。這也是為什么高保真幾何重建至今很難做到實時完成。

7 月 2 日發表于《Science》的一項研究給出了新的答案。來自北京大學楊玉超教授團隊、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，利用相變存儲器（PCM）憶阻器的物理特性，設計了一款 40 納米 NDS 專用芯片，將單次迭代的計算延遲壓到了 2.12 毫秒，端到端的腦皮層重建任務延遲低至 426.31 毫秒，相比 GPU A100 實現了 50 倍到 478 倍的加速，同時功耗降低 11.75 至 24.73 倍。

圖 1｜多級、細粒度可控電導漂移（CCD）憶阻器構成的 NDS 硬件總覽：從物理世界建模到芯片實現（圖片來源：論文 Fig.1）

• 論文標題：A sub-10-millisecond neural dynamical system based on phase-change memristors
• 論文鏈接：https://doi.org/10.1126/science.aee6277
• 發表期刊：Science，2026 年 7 月 2 日
• 作者單位：北京大學、中國科學院上海微系統與信息技術研究所等
• DOI：10.1126/science.aee6277

二、瓶頸拆解：NDS 硬件設計的三大難題

要理解這項工作的巧妙之處，得先弄清楚 NDS 計算慢在哪里。論文將其歸納為三個層面的挑戰：

第一，自適應步長搜索代價高昂。NDS 依賴 Runge-Kutta（RK）等數值積分方法，每一步都要根據局部誤差動態調整步長 Δt，形變劇烈的地方步長足夠小以保證穩定性，平滑區域逐步放大步長以提高效率。但傳統實現中，這一搜索過程涉及大量的讀寫、緩存和乘法運算，僅步長搜索電路就能占據芯片近三分之一的面積和約五分之一的延遲。

第二，嵌入式神經網絡（ENN）需要被高頻調用，其推理延遲和存儲開銷直接決定了整體性能，數據搬運甚至能占到總延遲的四分之一以上。

第三，NDS 還包含根號計算等特殊計算核，需要專門的硬件支持。傳統馮?諾依曼架構下，存儲和計算分離，數據在兩者之間來回搬運，天然存在存儲墻問題。

研究團隊的應對策略是：與其用數字電路計算步長，不如讓物理器件演化出步長，這正是相變存儲器發揮作用的地方。

三、核心創新一：讓電導漂移替你做步長搜索

相變存儲器的核心材料是鍺銻碲（GST）合金，通過施加電脈沖，可以讓器件在高阻的非晶態與低阻的晶態之間轉換（SET 為轉向低阻，RESET 為轉向高阻）。團隊發現的關鍵現象是：PCM 器件的電導會隨時間發生一種可預測、可控制的漂移（Controlled Conductance Drift, CCD）。

與其把這種漂移看作 “噪聲” 或 “缺陷”，研究者反其道而行之，利用電導漂移作為計算資源，用電導值直接編碼步長 Δt，讓步長的「試探」過程等價于電導隨時間自然漂移的物理過程，從而省去了傳統方案里大量的讀、寫、乘法電路。實驗顯示，大規模測試結論顯示無論是 SET 還是 RESET 操作，不同電導狀態之間的都具備漂移規律。團隊還驗證了超過101?次循環的讀寫耐久性，這意味著芯片可以穩定運行數年之久。

圖 2｜細粒度 CCD 實現原位步長搜索：PCM 器件的相變機制、電導漂移特性及大規模器件的一致性驗證（圖片來源：論文 Fig.2）

四、核心創新二：把神經網絡「焊」進存儲陣列

步長搜索之外，NDS 真正的算力消耗大頭是 ENN 本身的推理，尤其是 ENN 內部大量的矩陣乘加運算操作。團隊采用了近年來備受關注的存內計算（Compute-in-Memory, CIM）思路：利用 PCM 器件的多級電導（Multi-Level Cell, MLC）特性，把神經網絡的權重直接以電導值的形式編程進憶阻器陣列，讓乘加運算在模擬域內、在存儲單元原地完成，而不必把數據搬運到獨立的運算單元。

具體來看，團隊設計了一種雙列差分結構，將權重量化為 8 個電導等級（對應 ±10、±15、±25、±35、±45S 共 16 個可能取值），足以覆蓋 32×32 到 128×128 規模的 ENN 權重矩陣。配合 write-verify（寫后校驗）編程方案，實現了 16 個電導態的高精度寫入。最終，整個 ENN 存內計算陣列與步長漂移陣列的總面積僅為 0.28 平方毫米，其中 288×512 的 PCM 1T1R 陣列集成了約 14.7 萬個存儲器件。

圖 3｜多級電導特性精準映射調控機制（圖片來源：論文 Fig.3）

五、芯片架構：四步走完成一次 NDS 迭代

團隊流片驗證了一顆 40 納米 NDS 芯片，運行在 50 兆赫茲時鐘下，把上述兩大機制整合進同一套外圍電路，包括脈沖生成電路、逐次逼近型模數轉換器（SAR-ADC）、字線 / 位線 / 選擇線驅動電路等。以經典的四階 Runge-Kutta 方法搭配多層感知機 ENN 為例，一次完整的 NDS 計算被拆解為 ENN 的存內計算與步長的電導漂移，最后用 k1 至 k4 中間量乘以步長 Δt，得到該步的輸出結果與誤差估計。

與同樣基于 CMOS 工藝的專用 ASIC 方案相比，用 PCM 替代 SRAM 權重緩存節省了 0.26 平方毫米面積，而原位步長搜索機制進一步省去了乘法器、緩沖器等電路，最終整體面積僅為 0.28 平方毫米。性能上，面對同一套 ENN 和步長搜索任務，該芯片相比 此前的 ASIC 方案，分別實現了 3.82 至 36.27 倍的速度提升，同時功耗降低 11.75 至 24.73 倍。

圖 4｜NDS 芯片版圖與計算數據流：芯片實物照片、四階段計算時序及面積 / 延遲 / 功耗對比（圖片來源：論文 Fig.4）

六、真刀真槍：腦皮層重建提速近 500 倍

團隊選擇了公認極具挑戰性的高保真幾何建模任務，同時重建大腦白質（WM）與灰質（GM）皮層曲面，這類曲面的褶皺形態蘊含著重要的解剖與功能信息，且必須保證生成的網格是無自相交的虧格為 0（genus-0）閉合流形。

與傳統的 FreeSurfer 方法以及不含 RK 積分過程的普通神經網絡相比，基于 PCM 的 NDS 方案在不同誤差容限下的自相交率明顯更低（0.0001 至 0.1064，而普通神經網絡為 0.1235），生成的三維打印皮層曲面也未出現 “非流形 “（數學定義）的自相交缺陷。定量指標上，重建曲面的平均對稱表面距離（ASSD）在白質、灰質上分別為 0.245 和 0.376，豪斯多夫距離（HD）分別為 0.525 和 0.786，達到了高保真重建的精度要求。

使用 Intel 至強 8462Y 處理器多核運行 FreeSurfer，單次重建需要 8722 秒到 11860 秒（視核數而定）；GPU A100 在不同誤差容限下需要 1.83 秒到 21.47 秒；而 PCM-NDS 芯片將同一任務的耗時壓縮到了 3.85 毫秒到 426.31 毫秒，相比 GPU 實現了 50.38 倍到 478.18 倍的加速，真正把高保真幾何重建從計算瓶頸變成了可以實時完成的操作。

圖 5｜NDS 硬件在物理建模中的應用：腦皮層重建質量對比與不同硬件平臺的速度基準（圖片來源：論文 Fig.5）

七、寫在最后：憶阻器計算的一次「順勢而為」

這項工作最打動人的地方，相變存儲器的電導漂移曾被視為需要被抑制的非理想特性，而團隊通過摻碳等工藝手段精細調控這種漂移，反過來把它變成了一種天然的、連續的計算資源，用于原位完成傳統數字電路需要大量讀寫和乘法運算才能完成的步長搜索。

這也為存內計算的應用場景提供了新思路：除了大家熟悉的深度學習矩陣乘加加速，憶阻器件的模擬特性同樣可以承載更復雜的數值計算過程，比如微分方程求解、動力系統建模等長期被認為耗時、耗能的任務。隨著高保真物理建模在具身智能、數字孿生、醫學影像等領域需求日增，這類將算法特性與器件物理深度耦合的軟硬件協同設計思路，可能會成為下一代低延遲 AI 硬件的重要方向。

本文的共同通訊作者北京大學朱毅鑫研究員，北京大學陶耀宇副研究員，第一作者北京大學博士后蔡磊 (現任職于北京化工大學)、中國科學院上海微系統與信息技術研究所解晨晨研究員、北京大學博士后閆龍皞。

《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。

主要作者介紹：

楊玉超，北京大學博雅特聘教授，國家杰青，新基石研究員，信息工程學院院長，科學智能學院副院長。長期從事存算一體芯片、類腦計算、腦機接口等研究，主持國家重點研發計劃、新基石研究員項目、面向 2030 北京大學重大培育項目、國家杰青、基金委重大研究計劃集成項目、基金委重點項目、北方先進工藝研究院雙 1+1 工程重點項目、霍英東青年教師基金等重大 / 重點科研項目 20 余項，相關研究成果累計發表 Science、Nature Electronics、Nature Reviews Materials、Nature Nanotechnology、Nature Communications、Science Advances 等期刊和會議論文 180 余篇。

宋志棠，中國科學院上海微系統與信息技術研究所研究員，博士生導師，信息功能材料國家重點實驗室副主任，第二研究室主任。宋志棠長期從事相變存儲器材料與器件、納米拋光液領域的研究工作，在新型相變材料、相變存儲芯片、高密度存儲技術、相變拋光等領域取得多項創新性成果。在 Science，Nature communications，IEDM 等期刊發表了 SCI 論文 511 余篇。

蔡磊，北京大學博士后，楊玉超教授團隊核心成員，現任職于北京化工大學，碩士生導師，以第一作者發表 Science、Nature Electronics 等國際頂級期刊。長期從事面向新型存儲器的類腦計算，腦機接口軟硬件協同加速器設計，主持北京市自然科學基金。