1.北京大学杨玉超团队在神经形态计算领域取得重要突破——基于氧化钒忆阻器的混沌边缘计算；

2.复旦大学：计算与智能创新学院窦德景教授团队荣获2025 KAIS最佳论文奖；

3.交大溥渊学院张颂安团队在智能交通领域顶刊发布自动驾驶三维重建技术前沿综述；

1.北京大学杨玉超团队在神经形态计算领域取得重要突破——基于氧化钒忆阻器的混沌边缘计算；

近日，北京大学集成电路学院杨玉超教授团队在神经形态计算领域取得重要进展。团队从底层器件的物理动力学出发，提出了一种基于氧化钒（VO₂）的局部有源忆阻振荡器，该器件可在混沌边缘工作，通过简单信号注入即可实现分频、随机振荡、频率锁定等多种非线性动力学行为。相关成果发表于国际权威期刊《国家科学评论》（National Science Review），为未来高能效、高智能的神经形态计算芯片提供了全新思路。

图 1. 忆阻器局部有源动力学理论

研究团队巧妙利用VO₂材料在莫特相变温度附近的电导与热导双重非线性转变，制备出工作在“混沌边缘”的局部有源器件。该器件能够放大微小波动，产生自振荡和复杂响应，兼具稳定偏置与放大波动的特点。当忆阻器处于边缘混沌区域时，能以极高效率处理信息，无需依赖复杂电路结构。

团队进一步构建了精确的热力学紧凑模型，首次将材料的物理非线性、电路动力学与信息处理能力统一起来，为忆阻器与神经形态计算的研究开辟了新的理论方向。实验中，研究团队将VO₂器件偏置在“临界混沌边缘”状态，注入不同频率的微小信号，观察到器件可表现出分频、随机脉冲、频率锁定等多种动态模式，这些行为均能通过理论模型精确预测与仿真。

图 2. 混沌边缘器件的注入调控行为

更引人注目的是，团队证明单个在混沌边缘区域工作的VO₂器件具有显著的频率敏感特性，能够直接进行频域特征提取。在语音识别任务中，仅凭单个器件的动力学响应即可实现92%的识别准确率，其性能相当于一个具有频域预处理功能的两层卷积神经网络。这意味着，单个混沌边缘器件可完成传统计算中需大量无源器件才能实现的任务，并额外具备了类似生物耳蜗的语音频域预处理功能。

图 3. 混沌边缘振荡器的频域特征提取能力

此项研究的突破性意义主要体现在三个方面：首先是首次将目光从传统局部无源忆阻器转向局部有源忆阻器，为神经形态计算提供了新范式；其次，通过物理连续时间动态处理信息，突破了传统数字计算的时间步长限制，实现了计算模式的创新；最后，该研究路线能够显著降低计算能耗，振荡器不需要额外的功耗来提取频率特征。

表 1. 不同物理计算方法的对比

因此，该研究为构建下一代高能效、具备动态学习能力的神经形态芯片奠定了重要的理论与实验基础。该论文第一作者为北京大学集成电路学院博士生王洋昊，通讯作者为张腾助理研究员与杨玉超教授。研究得到了国家重点研发计划、国家自然科学基金委、北京市自然科学基金委、广东省重点实验室及深圳市科技项目等多个项目的支持。

北京大学集成电路学院将继续面向国家重大战略需求，聚焦集成电路与智能计算前沿，推动基础研究与产业应用的深度融合，为科技自立自强贡献北大力量。

2.复旦大学：计算与智能创新学院窦德景教授团队荣获2025 KAIS最佳论文奖；

近日，国际知名期刊Knowledge and Information Systems(KAIS) 公布2025年度最佳论文奖（Best Paper Award）。计算与智能创新学院特聘教授窦德景的论文“Interpretable Deep Learning:Interpretation, Interpretability, Trustworthiness, and Beyond”获此殊荣。

该论文于2022年发表，目前谷歌学术引用超过570次。 KAIS是数据挖掘、知识工程与信息系统领域的国际著名期刊，属于中国计算机学会（CCF）认可的B类国际学术期刊。自2018年起， KAIS每年评选—篇论文授予此奖项，旨在表彰对该领域产生重大影响的杰出研究成果。

图1 窦德景教授团队论文获2025 KAIS 最佳论文奖

据悉，获奖论文为关于可解释深度学习的综合性述评文章。深度神经网络（DNNs） 以其卓越的性能在各种人工智能任务中取得了显著成功，但其高度参数化的“黑盒”特性使其预测结果难以理解。这种可解释性的缺乏在自动驾驶、医疗健康、金融服务等高风险应用中引发了严重的信任问题。

为应对此挑战，该论文首先从可视化分析、鲁棒性扰动分析与敏感性分析三个维度，系统梳理了当前的研究现状。在此基础上，文章又进一步从代理模型、逻辑推理、 网络节点关联分析及传统机器学习模型四个视角，深入探讨了可解释深度学习模型的构建方法。最后，文章概述了可解释深度学习的典型应用，展望了该领域的未来研究方向，并提出了相关建议。

图2 获奖论文中关于语义分割的真值和三种流行算法的解释结果可视化

此次获奖也是对窦德景在人工智能和大数据领域长期研究的再次肯定。多年来，窦德景凭借其深厚的学术造诣，先后在美国俄勒冈大学、百度研究院、波士顿咨询任教和任职，2023年入选国家级领军人才计划， 2024年加入北京北电数智担任首席科学家，2024年6月被引进复旦大学计算机科学技术学院（现为计算与智能创新学院）任特聘教授(Distinguished Professor)和博士生导师。

图3 窦德景出席首届超互联新算力产业暨第三届中国IDC行业DISCOVERY大会

在复旦大学，窦德景建立了数据智能实验室（Data Intelligence Laboratory），主要研究方向包括多模态大模型、大模型安全与对抗学习、人工智能可解释性、联邦学习和可信计算。目前，实验室已配备强大的硬件与软件支持体系，并与产业界建立紧密合作关系，与领先科技企业和国内顶尖医院共同开展项目，推动技术成果在具身智能、智慧医疗、AIGC等领域的应用落地，致力于将理论创新转化为实际生产力，为人工智能生态的可持续发展贡献力量。

3.交大溥渊学院张颂安团队在智能交通领域顶刊发布自动驾驶三维重建技术前沿综述；

上海交通大学智能网联电动汽车创新中心团队在智能交通领域顶刊IEEE Transactions on Intelligent Transportation Systems（T-ITS）上发表题为“Learning-based 3D Reconstruction in Autonomous Driving: A Comprehensive Survey”的综述论文。文章主要探讨了基于学习的三维重建技术在自动驾驶场景中的演进与应用，为解决自动驾驶数据长尾问题、实现高保真闭环仿真提供了系统的技术路线图与未来展望。本文第一作者是溥渊未来技术学院2024级博士廖烈文，本文通讯作者是张颂安助理教授。

研究背景

随着自动驾驶技术向L4/L5级别迈进，系统对环境感知的精度与鲁棒性要求日益提高。实现可靠的自动驾驶，根本上取决于对三维环境的精准感知与整体理解，而这通常需要海量的、覆盖各种极端工况的高质量数据作为支撑。然而在真实世界中，获取如此大规模的多模态数据（如图像、LiDAR）不仅成本高昂，还伴随着显著的安全风险，尤其在面对罕见和紧急场景时。

为突破这一数据瓶颈，“数字孪生”与仿真技术成为关键路径。通过构建物理世界的高保真数字化副本，可在虚拟环境中以低成本、零风险的方式生成大量训练数据，并进行算法测试。传统重建方法（如摄影测量、SfM）在应对复杂光照、弱纹理区域以及动态交通参与者时，往往表现受限。而基于学习的三维重建技术（Learning-based 3D Reconstruction），凭借其利用神经网络对场景进行隐式或显式建模的强大能力，为创建兼具照片级真实感与几何精确性的驾驶场景提供了突破性解决方案，正逐步成为自动驾驶技术栈中的重要基础设施技术。

研究现状

过去几年，三维重建领域经历了从传统几何方法向深度学习方法的范式转移。2020年神经辐射场（NeRF）的提出成为一个重要转折，证明了神经场景表示能够实现前所未有的渲染真实感。随后，2023年兴起的3D高斯泼溅（3DGS）技术引入了显式的三维高斯原语表示，在保持高保真度的同时，借助高效的光栅化技术弥补了NeRF推理缓慢的不足，使实时渲染成为可能。

尽管相关研究呈指数增长，但现有综述往往局限于单一技术路线（仅探讨NeRF或3DGS），或脱离自动驾驶的具体语境（如多聚焦于室内小物体重建）。自动驾驶场景具有其独特性与复杂性：涵盖大规模无界场景、极度稀疏的传感器视角、以及包含大量高速运动的刚性或非刚性交通参与者。当前文献尚缺乏一项从自动驾驶真实需求出发，梳理从静态背景到动态场景，再到下游应用（如感知增强、闭环仿真、世界模型）的系统性研究。行业亟需一份能够衔接前沿图形学技术与自动驾驶工程实践的综合指南。

研究成果

针对上述缺失，本文对自动驾驶领域中基于学习的三维重建技术进行了全面系统的综述。文章没有停留于简单的算法罗列，而是紧密围绕自动驾驶的实际挑战与技术需求，构建了一套全新的分类学体系（Taxonomy）：

分层级的场景元素重建分析：文章首先深入探讨了静态背景重建中，如何平衡几何保真度与大规模场景优化的挑战；随后详细分析了交通智能体重建，区分了刚性物体（如车辆）与非刚性物体（如行人、骑行者）的不同建模策略，特别是针对人体姿态变形与运动的重建技术；

动态驾驶场景的时空建模：针对整车视角的动态场景，论文归纳了三大类时空建模范式：逐帧重建、场景图以及原生4D表示。其中，基于4D高斯的原生表示方法，被认为是未来实现无需3D框标注、动静自动解耦的最具潜力方向；

应用驱动的深度剖析：文章详细阐述了三维重建技术如何赋能自动驾驶核心任务，包括数据增强与多模态标签生成（如自动生成深度图、语义分割、光流）、定位与建图（SLAM）、场景理解（作为统一的场景特征表示）以及场景生成与仿真；

前瞻性的挑战与展望：文章不仅总结了技术现状，更指出了当前研究中被忽视的关键问题，包括天气/光照编辑的物理真实性、板载部署的算力限制，以及最为关键的生成数据对自动驾驶安全性影响的定量评估。文章最后探讨了结合世界模型与生成式AI，以实现可控场景生成与交互式闭环仿真的未来趋势。

作者信息

廖烈文

上海交通大学溥渊未来技术学院2024级博士研究生。研究方向：三维重建、三维生成以及闭环仿真技术。

张颂安

上海交通大学溥渊未来技术学院长聘教轨助理教授，智能网联电动汽车创新中心成员，主要从事自动驾驶汽车决策系统算法设计方面的研究，在TITS, TIV, CVPR,ICCV 等期刊与会议上发表30余篇论文。张颂安老师于2013年和2016年在清华大学车辆工程系分别获得本科和硕士学位，2021年于美国密歇根大学机械工程系获得博士学位，导师为Mcity Director彭晖教授。毕业后，其加入美国福特汽车公司机器人研究所担任研究员，并兼任福特—大学联合项目机器人方向提案评审组Committee Chair。2023年，张颂安老师加入上海交通大学溥渊未来技术学院。研究方向：智能车和机器人决策控制算法、强化学习、元强化学习、工业具身智能、AI辅助航空发动机设计。