北大PCM忆阻器NDS芯片：sub-10ms神经动力学系统¶
Ch01.1306 北大PCM忆阻器NDS芯片：sub-10ms神经动力学系统¶
📊 Level ⭐⭐ | 4.0KB |
entities/pku-neural-dynamical-system-pcm-memristor-chip-science-2026.md
北大PCM忆阻器NDS芯片：sub-10ms神经动力学系统¶
Background：本文基于 2026 年 7 月 2 日发表于《Science》的论文《A sub-10-millisecond neural dynamical system based on phase-change memristors》，由北京大学杨玉超团队与中国科学院上海微系统所宋志棠团队联合完成。该研究利用相变存储器（PCM）忆阻器的物理特性，设计了一款 40nm NDS 专用芯片，将神经动力学系统迭代延迟压至亚 10ms 量级。
核心突破¶
NDS（Neural Dynamical Systems）方法利用神经网络嵌入连续时间微分方程求解，在高保真几何重建任务（如脑皮层表面建模）上精度远超传统 CNN 和 Transformer。但 NDS 的计算速度一直难以突破：由于每一步都需要神经网络参与自适应步长搜索与误差校验，GPU A100 上也需要数百毫秒才能完成一次完整迭代。
北大团队的核心突破在于两点：
-
电导漂移替你做步长搜索：PCM 器件的电导会随时间发生可控的物理漂移（CCD），团队利用这一特性直接用电导值编码步长 Δt，使步长试探过程等价于器件物理演化。相比传统方案节省约 1/3 芯片面积和 1/5 延迟。
-
存内计算把神经网络「焊」进存储阵列：利用 PCM 的多级电导（MLC）特性，将神经网络权重以电导值编程进忆阻器阵列，乘加运算在模拟域、存储原地完成。32×32 到 128×128 规模的 ENN 权重矩阵仅占 0.28mm²，含约 14.7 万个存储器件。
性能数据¶
| 指标 | 数字 |
|---|---|
| 制程节点 | 40nm CMOS |
| 时钟频率 | 50 MHz |
| 单次迭代延迟 | 2.12 ms |
| 脑皮层重建端到端延迟 | 426.31 ms |
| 芯片面积 | 0.28 mm² |
| 存储器件数 | ~14.7万 (288×512 PCM 1T1R) |
| vs GPU A100 加速比 | 50x–478x |
| vs 传统 ASIC 加速比 | 3.82x–36.27x |
| 功耗降低 (vs A100) | 11.75x–24.73x |
| 读写耐久性 | >10¹⁰ cycles |
数据来自论文实测。
与现有 AI 硬件的对比¶
传统 AI 芯片架构 依赖冯·诺依曼架构分离存储与计算，数据搬运占总延迟的四分之一以上。PCM 忆阻器通过存内计算（CIM）从根本上消除了存储墙问题，在 NDS 这类需要反复调用神经网络的场景下优势显著。
相比纯数字电路 ASIC（如 TPU/NPU），PCM 方案同时承担存储和计算功能，芯片面积更小、功耗更低，但牺牲了通用性和精度（8 级量化对多场景泛化的影响尚未验证）。
局限性¶
- 8 级电导量化（±10/±15/±25/±35/±45S，16 个可能值）仅覆盖 32×32 到 128×128 规模的 ENN 权重矩阵，更大规模网络需片间级联
- 电导漂移作为计算资源的物理特性依赖温度稳定性，量产一致性待验证
- 写入精度依赖 write-verify 编程方案，单次写入延迟以 ms 计
相关实体¶
→ 原文存档