中大新聞中心

香港中文大學（中大）電子工程學系領導的合作研究團隊，最近發表一項突破性研究成果，通過主動應用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[1]的視覺處理效能，適用於自動駕駛、虛擬及擴增實境穿戴裝置和醫療影像設備等多種應用場景，為資源受限環境下的人工智能提供創新硬件解決方案。有關成果已於國際研究期刊《自然通訊》（Nature Communications）刊登。

憶阻器（Memristor），全稱為記憶電阻器，是新世代微電子元件，具有極低能耗及同步儲存與運算數據的能力，為推動未來AI計算發展的關鍵技術之一。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，過往研究多集中於抑制該特性以提升準確度。

逆向思維 化隨機性為優勢

研究團隊另闢蹊徑，主動利用憶阻器的固有隨機性，提出一種基於概率原理的隨機運算架構，實現更輕量化且高度容錯的圖像處理方案。

為驗證此概念，團隊利用憶阻器構建的概率邏輯進行邊緣檢測[2]，通過提取圖像中的輪廓和紋理等基本視覺線索，幫助人類或機器理解圖像並作出初步決策。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，難以在資源有限的邊緣視覺場景中應用。此外，傳統計算方式對數據精度要求較高，容易受到周圍環境中噪聲或干擾影響，導致計算錯誤。

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。這種數據表示方式天然具有容錯性，因為成對的比特翻轉（即因干擾導致數據中的0和1意外反轉的錯誤）造成的影響可以相互抵消。此方法更貼近人類視覺與AI決策特性，為各類邊緣設備的實時分析與計算提供強大支援。

能耗降低95% 容錯能力達50%  助力自動駕駛與醫學影像診斷

研究團隊設計了應用憶阻器特性的隨機數編碼器，並與邏輯運算結合，構建出輕量化的隨機邏輯單元。隨機數編碼器將數據編碼為具良好可控性的隨機數，進行基於概率的邏輯運算。團隊以「羅伯茨交叉算子[3]」進行實體測試，成功提取圖像的輪廓和紋理。測試結果顯示，新技術可將能耗降低多達95%，即使在容忍50%位元錯誤的情況下，仍能維持穩定的圖像處理效果，展現出卓越的能源效率與系統韌性。

論文通訊作者、中大電子工程學系助理教授胡國華教授表示：「目前研究成果令人鼓舞，惟要實現大規模應用，仍需克服多項挑戰，包括憶阻器與周邊電路的整合，以及大規模電路集成的操作問題。此外，憶阻器的產品質素亦是大規模應用的關鍵問題，不同元件間的製造差異亦會對技術的可靠性與和效能造成明顯影響。」

論文第一作者宋樂凱博士表示，未來將就憶阻器、隨機數編碼器及周邊電路進行整合與優化，並透過硬件與演算法的協同設計，以解決電路噪音與延遲等問題，進一步提升系統穩定性與擴展性。儘管如此，研究團隊認為此技術將為自動駕駛、虛擬實境（VR）、擴增實境(AR)，以至醫學影像診斷等，需要輕量化計算及高容錯的邊緣視覺AI系統，開闢嶄新的發展路徑。

研究全文，請參閱：https://www.nature.com/articles/s41467-025-59872-2

[1] 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，能夠在數據源頭附近直接進行採集或運算處理，例如感應器、智能手機、路由器和自動駕駛汽車等。

[2] 邊緣檢測（Edge detection）是圖像處理和計算機視覺的重要任務，其目的是標識圖像中亮度變化明顯的點。邊緣檢測是圖像處理和電腦視覺中，尤其是特徵檢測中的一個研究領域。

[3] 羅伯茨交叉算子（Roberts cross）是用於圖像處理及電腦視覺中的邊緣檢測技術，通過計算一幅圖象中對角線方向相鄰圖像的灰度差異值，並以近似梯度幅值進行邊緣定位。