在计算机技术领域，大脑皮层表面复杂沟回褶皱的实时重建一直是极具挑战性的难题。过去，完成此类复杂运算需要借助昂贵的大型计算设备，且需离线运算较长时间。如今，这一局面因一款拇指大小的芯片而彻底改变。
一支由北京大学与中国科学院上海微系统与信息技术研究所科研人员组成的团队，成功研制出全球首款基于相变忆阻器的神经动力学系统芯片。该芯片首次将复杂运算的单步时延压缩至2.12毫秒，在脑皮层重建等任务中，相比当前先进的图形处理器（GPU），运算速度提升了50至478倍，成功突破了神经动力学领域长达半个世纪的实时计算瓶颈，相关研究成果发表于国际权威学术期刊《科学》。
要让机器像人类大脑一样实时建模并理解物理世界，关键在于构建一种将神经网络与微分方程相结合的“神经动力学系统”。这种系统能够在数据不完整且存在噪声的情况下，重建出平滑精确的三维脑结构，具有广阔的应用前景。然而，传统计算架构存在一个核心问题：存储与计算分离。在求解过程中，海量的中间变量需要在内存和处理器之间频繁传输，就像一个规模庞大的数据工厂，大量时间被消耗在数据搬运过程中，导致计算延迟大、功耗高。
为攻克这一难题，研究团队从忆阻器的物理特性中找到了解决方案。他们发现相变存储器具有独特的“电导漂移”现象，在一定时间窗口内，其电导变化是可预测且可精准调控的。基于这一特性，团队提出了“可控存内计算”的新范式。简单来说，原本需要复杂数字电路反复执行的运算、缓存访问和数据搬运等工作，现在可以借助器件自身的物理规律来完成。
不仅如此，团队还将神经网络权重映射到相变存储器的多级电导态上，在同一个阵列内同步完成矩阵乘加运算。两大核心计算任务被统一集成在面积仅0.28平方毫米的存算阵列中。这款采用40纳米工艺的芯片实现了2.12毫秒的单次迭代时延，首次将神经动力学硬件带入毫秒时代。
在性能表现方面，该芯片令人瞩目。在同等运算条件下，与当前最先进的专用加速器相比，其速度提升了3.82至36.27倍，同时功耗大幅降低。在脑皮层表面高保真重建任务中，该芯片较国外先进GPU提速达478.18倍。重建出的脑皮层网格平滑、拓扑一致，能够精准刻画复杂的褶皱结构，有效抑制了传统方法中存在的伪影和自相交缺陷。
“可控存内计算”这一概念，若与传统计算机进行类比，传统计算机就像一间办公室，处理器是坐在中央的“计算员”，存储器则是满墙的“档案柜”。每次计算时，“计算员”都要起身去“档案柜”取数据，计算完成后再放回去，大量时间浪费在数据搬运的路上，这就是著名的“冯·诺依曼瓶颈”。而“存内计算”的思路是让“档案柜”自己学会计算，数据无需搬运，直接在存储单元内部完成计算。但要实现这一目标困难重重，存储单元原本的功能是“记”，要让它同时“算”，还要算得准、算得稳，已是巨大挑战。更大的难题在于“可控”，计算过程中很多任务需要动态调整、灵活判断，如何让物理器件具备这种“临场应变”能力，是存内计算走向实际应用的关键。
研究团队的突破口来自一个看似违背常规的思路：利用器件电导会规律性漂移这一曾被视为“缺陷”的特性。如果能够摸清其变化规律，这种漂移就可以被转化为计算能力，不再依赖数字电路反复读写比较，而是让物理过程本身完成运算。这就是“可控存内计算”的核心思想：让存储单元在“记”的同时，按照设计者设定的方式、在可约束的范围内完成“算”，实现存储即计算，且整个过程精准可控。基于这一范式研制的芯片，能够将复杂运算压缩到毫秒级别，能效提升数十甚至数百倍。
