近日，南方科技大学、中科院微电子所与香港大学等单位组成的研究团队，在基于忆阻器的类脑神经网络优化方面取得重要突破。第一作者为南方科技大学访问研究人员、香港大学在读博士生王勃。南方科技大学王中锐教授为第一通信作者、中科院微电子所尚大山研究员、香港大学齐晓娟教授为论文的通讯作者。相关成果以“Topology Optimization of Random Memristors for Input-Aware Dynamic SNN”为题，发表在国际著名期刊 Science Advances 上（DOI: https://doi.org/10.1126/sciadv.ads5340）。

本研究提出了一种面向神经形态硬件的全新算法-架构协同优化框架 PRIME，利用忆阻器编程过程中的本征随机性，构建了具备“输入感知”和“动态结构”的脉冲神经网络（SNN）。该系统不仅显著降低了传统权重精调带来的能耗与时间成本，更在硬件系统中验证了在事件分类和图像修复任务中的可用性与能效优势，为未来的边缘智能和类脑芯片设计提供了参考。

图1展示了PRIME系统在多个关键维度上对类脑计算机制的模拟：包括利用脉冲信号表示、通过“结构可塑性”进行网络拓扑优化、实现输入感知的计算深度动态调整，以及基于忆阻器阵列的存算一体硬件架构。

图1 多维度类脑计算机制模拟

图2展示了PRIME的完整流程图。PRIME通过借鉴大脑结构可塑性这一理念，通过剪枝的方法巧妙地将忆阻器随机性转化为计算优势，摆脱了对精细调整权重的依赖。另一方面，引入输入感知的动态调整概念，进一步降低了计算能耗和计算延迟。

图2 基于忆阻器阵列的脉冲神经网络学习和推理过程的软硬件协同

图3和图4则在任务层面验证了该系统的实际性能。在N-MNIST神经形态数据集分类任务中，PRIME在保持准确率的前提下，实现了大幅度的能效提升和计算量削减；在图像修复任务中，PRIME生成的图像在视觉质量指标（如Inception Score）上与基准模型持平，同时大幅降低了能耗。这一系列实验验证了PRIME在精度、能效与延迟方面的协同优势，彰显了其在神经形态计算领域的潜力。

图3 采用PRIME在神经形态数据集上进行识别分类

图4 采用PRIME进行图像修复实验

本项研究得到了科技部重点研发计划、国家自然科学基金、香港创新科技基金（ACCESS）、中科院战略重点项目等多项基金的联合资助。