北京大学团队登上《Nature Electronics》：用“多物理域”重做傅里叶变换
2026 年 1 月，国际顶级期刊《自然·电子》（Nature Electronics）发表了一项来自北京大学的最新成果，引发半导体和算力圈广泛关注。北京大学人工智能研究院陶耀宇研究员、集成电路学院杨玉超教授团队，首次在国际上实现了基于后摩尔新器件的“异质集成多物理域傅里叶变换系统”。
简单来说，他们做出了一套全新的计算架构，让傅里叶变换——这一在科学与工程领域“无处不在”的基础运算——在新型器件平台上真正“跑得起来、跑得又快又省电”。
实验结果显示：系统的傅里叶变换运算速度从约每秒
次，算力提升接近 4 倍，同时能效提高近 100 倍量级，为构建新一代计算体系提供了一个全新的样板。
一、摩尔定律逼近极限，新器件“有潜力但不好用”
过去几十年，芯片行业几乎是沿着摩尔定律一路狂奔：晶体管不断做小、集成度不断拉高，算力水涨船高。但进入后摩尔时代后，传统硅基工艺正面临三大难题：
继续缩小尺寸的难度和成本急剧上升；
功耗和散热压力越来越大；
存算分离带来的数据搬运开销日益突出。
在这样的背景下，各类“后摩尔新器件”被寄予厚望，比如忆阻器、各种新型光电器件等。它们在物理机制上与传统 CMOS 不同，天然适合做某些特定计算，理论上有机会在能效和密度上实现“跳跃式”提升。
问题在于：
这些新器件往往只擅长少数几类线性算子；
支持的运算形式过于单一，很难覆盖现实场景中复杂多变的算子需求；
结果就是：在实验室里表现抢眼，要真正走向通用计算和大规模应用却始终“卡壳”。
如何让新器件从“做一两种算子很厉害”，升级到“能够支撑通用计算框架”，成为后摩尔时代的一道关键难题。
二、北大团队的思路：异质集成 + 多物理域融合
针对这一瓶颈，北京大学团队把目光投向了应用极其广泛的傅里叶变换。无论是信号处理、通信系统、图像/语音分析，还是诸多 AI 算法的底层，都离不开它。因此，如果能在新器件平台上高效实现傅里叶变换，就有机会打通一大批实际应用场景。
团队提出了一种新的计算架构，核心有两点：
异质集成：
将“易失性氧化钒器件”和“非易失性氧化钽/铪器件”组合到同一系统中；
前者在频率生成与调控方面有天然优势，适合作为“旋转因子”等频率相关运算的载体；
后者具备存算一体特性，可以在本地完成存储与运算，减少数据读写和搬移。
多物理域融合计算：
让不同计算步骤在各自最合适的物理域中执行，比如电流域、电压域、频率域、时间域等；
利用器件的物理属性做计算，而不是一味依赖传统“数字逻辑 + 存储”的方式。
论文第一作者蔡磊用一个形象的比喻来解释：
与其在一个大车间里什么都干，不如把任务拆开，分别送到最适合的“专业车间”去完成——有的车间擅长调节频率，有的专门负责存算一体，再由系统把各个“工序”有序衔接起来。
通过这种设计，团队首次做到了：用一套硬件平台，同时支持多个物理域协同工作，完成完整的傅里叶变换流程，并在精度和效率上达到工程可用的水准。
三、性能指标：又快又省，还能“算得准”
从实验数据看，这一架构在性能和能效上都有明显突破：
计算速度：
傅里叶变换运算速度从每秒约
速度接近提高 4 倍；
计算精度：
在完整系统上实现了约 99.2% 的傅里叶变换精度，满足声音、图像等复杂信号处理对精度的要求；
能效表现：
在典型测试下，能效提升接近 97 倍级别，显著降低了单位运算所需的功耗；
同时节省了大量存储和互连资源，缓解了传统架构中“数据搬运成本高”的顽疾。
用通俗的话讲，这套新架构做到了：
运算更快；
用电更少、发热更低；
结果仍然保持足够精确。
四、意义：不给“新器件”只当实验样品，真正让它们跑在应用里
这项工作的价值不仅在于单次测试指标的好看，更重要的是，它为后摩尔新器件提供了一个可扩展的计算框架。
过去，新器件往往只被用于某个“点状”的功能：
比如在神经网络中做矩阵乘法的加速单元，或者在某个特定滤波器中发挥作用；
但很难支撑像傅里叶变换这类复杂度较高、结构更通用的运算。
北京大学团队通过“异质集成 + 多物理域融合”的方式，给出了一条可行路径：
一方面，解决了新器件“只能做少数几种算子”的局限，为其扩展到更广泛的算子谱系打下基础；
另一方面，展示了如何在系统层面把不同物理域、不同器件特性融合起来，而不仅仅停留在器件层的小规模演示。
正因如此，这项成果被认为为新一代计算架构提供了重要参考，也让“后摩尔新器件如何走向通用算力平台”这个问题，看到了更具体的答案。
五、潜在应用：从 AI 大模型到自动驾驶，都可能受益
傅里叶变换及其变种在现代信息系统中无处不在，新的高效实现方式，理论上可以渗透到众多前沿领域。例如：
人工智能基础模型：
大模型训练与推理中，频域分析、快速卷积等都离不开相关变换，更高效的傅里叶运算可以间接提升整体能效和吞吐。
具身智能与机器人：
实时感知、多模态信号处理（语音、触觉、视觉）都需要高效频域运算，新架构有望带来更低延迟、更低功耗的边缘计算方案。
自动驾驶与高级辅助驾驶系统：
雷达、激光雷达和多传感器数据融合中大量采用信号处理算法，高效的傅里叶变换能帮助车载计算平台缓解算力与功耗压力。
脑机接口与神经工程：
处理脑电、神经信号时，需要大量频谱分析和滤波操作，低功耗、高精度的频域计算尤为关键。
通信与雷达系统：
从 5G/6G 到各类雷达体制，频域处理都是基础模块，新架构有望成为新一代专用信号处理芯片的候选方案之一。
从更大的视角看，这项成果表明：
我国在面向后摩尔时代的新型计算架构研究上，已经具备从器件、架构到系统整体打通的能力；
为未来在全球算力竞争中构建自主可控、差异化的技术路线，提供了一个具有代表性的实践样本。
（来源：114IC电子）
