近日，南方科技大學深港微電子學院王中銳博士團隊聯(lián)合中科院微電子所，華中科技大學和香港大學提出并實驗驗證了一種基于阻變存儲器的儲備池圖神經(jīng)網(wǎng)絡（RGNN），為高效模擬材料體系中的離子和電子相互作用提供了新方案。相關成果已在《自然·計算科學》（Nature Computational Science，https://doi.org/10.1038/s43588-025-00844-3）雜志發(fā)表。南方科技大學王中銳博士、香港大學齊曉娟博士、華中科技大學徐明教授以及中科院微電子所尚大山研究員為論文的通訊作者。該研究還得到了復旦大學和香港理工大學等單位的參與和支持。

當前，量子化學和材料科學領域普遍依賴第一性原理方法（如密度泛函理論，DFT）在數(shù)字硬件上對原子尺度結構進行模擬。隨著模擬體系規(guī)模不斷擴大，DFT計算資源消耗急劇增加；同時，受限于馮·諾依曼瓶頸和摩爾定律放緩，傳統(tǒng)數(shù)字硬件的能效提升遇到瓶頸，成為制約材料高效研究與設計的關鍵障礙。盡管圖神經(jīng)網(wǎng)絡（GNN）等機器學習方法在一定程度上降低了計算成本，但在大規(guī)模體系下，仍面臨模型訓練復雜、硬件適配性不足等挑戰(zhàn)。

針對這些難題，研究團隊創(chuàng)新性地提出了基于阻變存儲器的儲備池圖神經(jīng)網(wǎng)絡軟硬件協(xié)同設計方案。軟件方面，RGNN采用儲備池計算范式，利用大量無需訓練的隨機權重，大幅簡化了模型訓練過程，顯著降低了計算量和能耗。硬件方面，系統(tǒng)以納米級阻變存儲器為核心，實現(xiàn)存儲與計算一體化，突破了傳統(tǒng)的數(shù)據(jù)搬運瓶頸，并巧妙利用阻變存儲器固有的編程隨機性生成網(wǎng)絡所需的隨機權重，將器件物理特性轉化為計算優(yōu)勢。

在實驗驗證中，團隊基于40納米工藝節(jié)點的256 Kb阻變存儲器原型芯片，完成了原子力、哈密頓與基態(tài)多體波函數(shù)計算等材料設計領域具有代表性的任務。結果顯示，在保證計算精度的同時，RGNN系統(tǒng)的計算成本相比傳統(tǒng)材料模擬方法最高可降低六個數(shù)量級，訓練成本較傳統(tǒng)GNN減少90%以上。同時，與傳統(tǒng)數(shù)字硬件系統(tǒng)相比，該協(xié)同設計系統(tǒng)在推理能效和速度上提升了2至4倍?；谧枳兇鎯ζ鞯膬涑貓D神經(jīng)網(wǎng)絡為高效、低成本地建模離子和電子相互作用，實現(xiàn)大規(guī)模材料設計與模擬開辟了新路徑。

該項目得到了科技部、國家自然科學基金委、南方科技大學、中科院和香港研究資助局的支持。

圖1. 基于阻變存儲器的軟硬件協(xié)同設計系統(tǒng)用于建模電子與離子相互作用