近年来，以ChatGPT为代表的大语言模型参数规模指数级增长，带来巨大算力和能耗压力。脉冲神经网络（SNN）凭借事件驱动、超低功耗等特性，被视为下一代类脑智能的重要方向。但传统SNN硬件将突触和神经元阵列分开部署，利用率极低，在图像识别等任务中落后于传统人工神经网络。
复旦大学集成电路与微纳电子创新学院陈琳教授、范益波教授与合作者在《自然-通讯》（Nature Communications）发表最新成果，提出一种基于光电可重构器件（PRD）的可编程脉冲神经计算架构（PSNA），为SNN硬件加速开辟了全新路径。
团队创新性设计的铪基光电可重构器件（PRD），成功在同一器件内融合光脉冲与LIF电学神经元特性，实现光突触/电神经元的一体化集成。阵列中任意单元可独立编程为突触或神经元，切换过程无需冗余操作。
基于该器件，团队设计的PSNA将传统分离的突触和神经元阵列融合为单一可重构阵列，配以动态映射算法，可根据网络连接关系动态分配计算节点。实验表明，在Caltech-101静态图像识别任务中，传统架构利用率不足1%，而PSNA提升至76.59%，推理延迟降低超过1000倍，能耗节省超过200倍，且识别精度不变。
论文链接：https://www.nature.
com/articles/s41467-026-72119-y
来源：集成电路与微纳电子创新学院
