基于忆阻器片上系统的融合网络实现实时信号处理：突破冯·诺依曼瓶颈的高效能计算新范式

针对冯·诺依曼架构在数据密集型信号处理任务中的能效瓶颈，研究人员开发了基于忆阻器(Memristor)的片上系统(SoC)，通过融合离散傅里叶变换(DFT)和卷积神经网络(CNN)的混合网络，实现了33.49 dB峰值信噪比的音频频谱分析和94.72%准确率的语音分类，其能效较传统GPU提升49倍，为边缘计算提供了革新性解决方案。

　　

随着人工智能和物联网技术的快速发展，实时信号处理在语音识别、医疗影像分析等领域的应用面临严峻挑战。传统数字系统受限于冯·诺依曼架构的数据搬运瓶颈，其高能耗和低效率问题日益凸显。特别是在边缘设备等资源受限场景中，如何实现高能效的实时计算成为制约技术发展的关键难题。

为突破这一技术瓶颈，来自TetraMem的研究团队在《SCIENCE ADVANCES》发表创新性研究，开发出基于忆阻器(Memristor)的片上系统(SoC)。该系统通过将离散傅里叶变换(DFT)与卷积神经网络(CNN)融合为统一计算网络，在128×128忆阻器交叉阵列上实现了33.49 dB峰值信噪比(PSNR)的音频实时频谱分析，并以94.72%的准确率完成AudioMNIST数据集分类，其能效较NVIDIA A100 GPU提升49倍。

研究团队采用三项核心技术：1）定制化DFT矩阵映射技术，将复数运算分解为实部/虚部分量处理；2）1T1R（单晶体管单忆阻器）阵列集成工艺，通过180nm制程实现256×256规模忆阻器阵列；3）混合信号处理架构，采用正负分量分离计算策略解决8位DAC输入限制。

研究结果部分显示：
DFT和卷积操作的VMM实现：通过将DFT矩阵元素编程为忆阻器电导值，实现输入信号与DFT核的模拟向量矩阵乘法(VMM)运算，编程误差仅3.94%。
SoC实时音频处理：在6.4kHz采样率下，将20ms音频切片转换为频谱图，硬件结果与软件计算PSNR达33.49 dB。
视频实时边缘检测：采用Sobel算子对64×78分辨率视频帧进行卷积运算，边缘检测PSNR达30.43 dB。
融合网络分类性能：DFT+CNN五层网络在语音数字识别任务中达到94.72%准确率，核心阵列能效达102 TOP/(s·W)。

这项研究的突破性在于首次在忆阻器SoC上实现了信号处理与神经网络的硬件级融合，通过模拟存内计算彻底规避了数据搬运能耗。尽管当前系统仍受限于数字接口带宽和阵列规模，但研究证实了忆阻器技术在实时信号处理领域的巨大潜力，为开发下一代边缘智能设备提供了关键技术路径。该成果有望推动医疗监护、自动驾驶等低延迟应用的发展，其混合计算架构设计思路对新型计算范式研究具有重要启示意义。