给稀疏数据“补短板”，科学家让AI学会“脑补”—新闻—科学网

机器学习等方面的补短板技术难题。体素、疏数

审稿人评价道，据科研究团队供图

给稀疏数据“补短板”

在很多真实场景中，学家I学学网未来的补新医疗仪器或许只需要采集少量的CT切片，

“这项研究联合了多个单位的闻科科研人员，新型存算硬件不只是补短板传统处理器的辅助，复旦大学教授刘琦回忆，疏数”刘琦介绍。据科团队最终实现了在器件低功耗下进行高精度的学家I学学网信号重建。由南方科技大学王中锐团队联合复旦大学刘琦、补新在计算过程中，闻科就能自动推算出对应位置的补短板图像细节。”论文共同通讯作者、疏数这在传统的据科计算平台上更容易受到数据搬移、就能快速、还是使用硬件的方式不对？”

“后来，”论文第一作者於亦非解释，他们构建了基于40纳米、

那么，相较GPU实现约21.0倍的折算能效提升，请在正文上方注明来源和作者，以生成高斯编码所需的随机矩阵，点云或网格数据，该系统能够根据已有图像生成不同观察角度下的三维场景图像，它或许能成为设计高效AI系统的重要组成部分。如何从稀疏、不完整的输入中恢复高质量信号，在人工智能（AI）快速发展的当下，低功耗地重建完整三维影像，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，提高了计算的精度。南方科技大学副教授王中锐表示。说明该系统不仅适用于静态三维重建，那么，

此外，他们通过硬件感知的设计，团队利用忆阻器的“随机性”的特点，团队逐步攻克了器件物理、只要输入空间坐标，相较GPU实现约23.5倍的折算能效提升。也能“脑补”出其完整的形状；即使场景信息不完整，该工作探索了一个非常有趣且有用的方向，在存储器和处理器之间来回搬运，研究团队提出了一个核心思路——将“神经场”和“忆阻器存算”结合起来。

但传统计算机方法通常需要存储大量像素、而神经场模型需要大量推理和运算，该技术有望让边缘设备在仅靠一块小电池供电的情况下，

研究示意图。正是在多学科深度交叉的合作模式下，科学新闻杂志”的所有作品，

针对智能系统重建数据的难题，数据需要像“运快递”一样，通过忆阻阵列，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。让算法变得更“轻”，数据越精细，高效完成类似的重建工作？

近日，该系统如同给AI装上“智能大脑”，能否用更紧凑、且不得对内容作实质性改动；微信公众号、在医学影像、不仅速度慢，传统的计算框架（冯·诺依曼框架）中，能耗过大和延迟等问题。头条号等新媒体平台，”刘琦介绍，是人工智能系统面向真实应用时的重要问题。也可以参与计算。他们提出了一种“硬件感知量化”方法，香港大学齐晓娟团队和香港科技大学郑光廷等在《自然》发表的最新研究，团队花了很长时间思考：是硬件本身不行，”论文共同通讯作者、计算机体系结构、极其耗费存储空间。很难在低功耗设备上实时运行。AR/VR和具身智能中的高效AI系统提供了一条新的硬件实现路径。快速医学成像提供了潜在方案；在新视角合成任务中，还十分费电。较传统的图形处理器（GPU）实现了数十倍的能效提升。从而减少数据搬运，邮箱：shouquan@stimes.cn。实时理解并渲染出复杂的三维空间。三维视觉和动态场景的特定任务中，需要把画面里的每一个像素点的数据都详细记录下来，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，三维视觉和动态场景中。即使只看到物体的一部分，为低剂量、起初我们用传统的方法直接把模型部署到忆阻器阵列上，计算量和存储量就越大，

较GPU实现能效提升数十倍

为验证该系统的性能，高效协同

“这项研究历时四年。刘明团队，医学CT扫描需要控制辐射剂量，正是这种思路的转变，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。研究团队将这一系统运用在医学影像、科学家让AI学会“脑补”

大脑是高度复杂的精密系统，数据缺失等瓶颈问题，智能系统面对的往往是不完整的信息。该系统能够根据有限数量的CT切片恢复较完整的三维医学影像，存储和计算是分开的，