计算机视觉需要密集的张量操作，主要是矩阵乘法，带来巨大计算需求。使用GPU和ASIC等硬件加速是可行方案，但其向边缘端部署受限于计算架构复杂及与模拟系统不兼容。研究人员基于碳纳米管（CNT）电荷俘获非易失性存储器（NVM）原型化了一种用于边缘计算机视觉加速的模

　　计算机视觉需要密集的张量操作，主要是矩阵乘法，带来巨大计算需求。使用GPU和ASIC等硬件加速是可行方案，但其向边缘端部署受限于计算架构复杂及与模拟系统不兼容。研究人员基于碳纳米管（CNT）电荷俘获非易失性存储器（NVM）原型化了一种用于边缘计算机视觉加速的模拟张量核。该存储器展现出约100个线性、对称模拟权重，具备快速编程（500 ns）与数据处理（1 Mbit/s）能力，可实现存内矩阵乘法，支持紧凑张量核设计及视觉任务中向量与标量的运算。作为演示，该模拟张量核实现三维（3D）空间变换误差小于2.81%，边缘检测信噪比（SNR）大于22 dB，支撑其在自动驾驶、VR/AR、机器人导航与工业自动化等场景加速计算机视觉任务的潜力。概念验证仿真借助大规模并行单层张量处理，利用该模拟张量核完成街景鱼眼捕获的视场畸变校正与边缘检测。

　　研究背景方面，计算机视觉在自动驾驶、VR/AR、机器人导航与工业自动化等边缘场景依赖高强度张量操作，尤以矩阵乘法为主。现有GPU与专用集成电路（ASIC）类加速器（如张量处理单元（TPU））虽算力高，但受存算分离架构制约，数据需在存储与矩阵乘单元（MXU）间频繁搬运，且须经过模数（AD）/数模（DA）转换，导致带宽受限、延迟增加与能耗上升，难以适配边缘端资源约束。存内计算（CIM）结合新兴非易失性存储器（NVM）有望规避上述瓶颈，直接在模拟域完成乘加运算。研究人员以碳纳米管（CNT）电荷俘获NVM为基材，原型化模拟张量核，发表于《Advanced Materials》，论证其在边缘视觉前处理中的可行性与效能。

　　关键技术方法上，研究人员采用聚合物PCz分选半导体单壁碳纳米管（CNT）构筑底栅底接触晶体管，以电荷俘获机制实现多级电导编程；设计25×40交叉阵列NVM构成模拟MXU，引入SU-8绝缘势垒层隔离跨层串扰；提出变幅值超快脉冲序列（500 ns宽）实现线性对称权值编程；搭建PCB级张量核原型，后端接跨阻放大器（TIA）与紧凑标量处理电路，分别完成向量空间变换与Roberts/Sobel卷积边缘检测；大规模验证采用公开鱼眼街景数据集（1280×966像素）做仿真映射，并将预处理后结果接入轻量YOLO11n网络做目标识别辅助论证。

　　研究结果部分，在2.1模拟矩阵乘单元（MXU）中，研究人员通过20×20块测试证明器件良率100%、阈值电压呈正态分布（正6.23±0.99 V，负-4.15±0.55 V），单脉冲（1 ms）编程获约100态线），超快脉冲训练非线 mhz，权值编程能耗约3.98 fj、单比特处理约30.8 pj，有效位达6.17/5.93 bit。在2.2实验性向量空间变换中，研究人员将867点人头模型坐标作模拟输入，3×3 nvm块编程为单位或90°旋转算子，tia读出重构，整体欧氏误差

　　22 dB，峰背比14.44，动态50帧行人边缘追踪有效，单操作能耗约1.08 μJ。在2.4大规模张量处理中，研究人员仿线 Sobel算子映射大尺度MXU，处理鱼眼图使平均绝对误差（MAE）从2.84降至0.45，边缘平均对比度从32.67升至66.22，单帧省pg电子官方网站去约37 M次乘加（MAC）操作。

　　级MAC。面向实用化，研究认为可借先进CMOS产线整合模拟前端与数字逻辑成单片模拟TPU，并在系统层配指令集与纠错码做软硬件协同。结论原文译为：研究人员基于CNT NVM与原定外围向量/标量模块原型化模拟张量核；凭借NVM线性对称模拟权值编程，该核分块执行模拟张量处理，实测向量空间变换误差

　　22 dB；该紧凑设计有望加速边缘计算机视觉（如自动驾驶）；概念仿真中大规模单层处理街景鱼眼图并行完成畸变校正与边缘检测，较常规计算节省10

　　级以上操作。前瞻而言，该张量核制造可适配工业级半导体工艺向高集成大规模演进，并与CMOS流程融合为边缘视觉系统嵌入式模拟TPU，系统层需硬件算法协同设计指令与纠错机制。