香港中文大學團隊通過憶阻器固有的隨機開關特性，成功研發一種輕量、高容錯的隨機運算架構，能顯著提升邊緣設備的視覺處理效能。此技術適用於自動駕駛、VR／AR 裝置、醫療影像設備等。研究成果已刊於《自然－通訊》。

論文：

• https://www.nature.com/articles/s41467-025-59872-2

研究背景

邊緣設備（Edge device）是位於網絡邊界的終端裝置，作為現實世界與網絡之間的接口。這些設備能夠在數據源頭附近直接進行採集或運算，例如智能感應器等，因此能夠分擔整個網絡系統的算力負荷，減少不必要的信號傳輸和由此產生的信號失真、計算／決策延時。

憶阻器（Memristor）全稱為記憶電阻器，具有極低的能耗及同步儲存與運算數據的能力，為推動計算技術發展的關鍵之一。然而，其固有的電學開關隨機性一直被視為精密運算的干擾因素，過往的研究，多集中於抑制該特性。

研究成果

中大電子工程學系助理教授胡國華博士領導的團隊，採取逆向思維，把隨機性化為優勢，提出一種基於概率原理的隨機運算架構。

胡國華博士

團隊研究利用憶阻器構建的概率邏輯，進行視覺邊緣檢測（Edge detection），提取圖像中的輪廓和紋理等基本視覺線索。一般的圖像處理通常涉及大量矩陣乘法與梯度計算，若使用傳統二進制運算，會造成大量能源消耗及延遲，而且容錯性低。而新的隨機運算架構則將數據轉化為 0 與 1 的隨機序列，以概率方式執行邏輯運算，若成對的比特翻轉（例如因干擾導致數據中的 0 和 1 反轉），所造成的影響可以相互抵消。實際上，此方法更貼近人類的視覺模式與 AI 的決策特性。

團隊構建出一款輕量化的隨機邏輯單元。隨機數編碼器將數據編碼，成為具良好可控性的隨機數，以進行基於概率的邏輯運算。團隊以「羅伯茨交叉算子」（Roberts cross，一種邊緣檢測技術，計算圖象對角線方向相鄰的灰度差異，以近似梯度幅值進行邊緣定位）來進行實體測試，結果成功提取圖像的輪廓和紋理，同時能耗降低 95%，在 50% 位元錯誤的情況下仍能維持穩定的圖像處理效果。

（上圖）研究團隊利用新技術在《飛馳中的馬》的第一張圖片上，完成了「羅伯茨交叉算子」的實體測試，成功提取圖像的輪廓和紋理，展現出減輕運算成本和高容錯的優勢

胡國華博士表示，此技術的大規模應用仍需克服多項挑戰，包括憶阻器與周邊電路的整合、大規模電路集成的操作問題，而憶阻器的產品質素亦是關鍵。

研究團隊

論文第一作者是中大電子工程學系宋樂凱博士。論文通訊作者是胡國華博士。

來源：香港中文大學

如欲知道更多教科相關消息，請留意京港 Facebook 專頁：https://www.facebook.com/BHKAEC