该法门之核心优势于于真正之硬件共位——安康与计算功能于同一忆阻器阵列实现，除去旧俗分离模块之硬件冗余。
图4 CLAP 体系于心电图数据采集差事中之表现 旧俗处置预案效能低下。
为估量确凿全球应用性能，团队使用MIT-BIH数据集测试之CLAP于心电图（ECG）采集场景下之效果。
基于互补式金属氧化物半导体（CMOS）芯片实现（左）对比基于忆阻器芯片实现（CLAP，右）。
图3：不同计算差事中之CLAP。
然而，随之设备智能化程度提升，安康威胁日益严峻。
图2：差分随机映射法门示意图。
正矩阵捕获自异变，负矩阵校准补偿以确保计算精度，即于保认证熵之同时确保计算结局一致。
百度文心助手则结合自身搜索性命，将红包互动与新春实用效劳结合，上线写春联、查年俗、筹划出行等功能，联动百度地图、百度网盘推出权益包，用“高频效劳+红包”之模式，击中用户春节刚需。
从智能手表到工业传感器，从自动驾驶汽车到智能家居，边缘设备正渗透到活之每名角落。
物联网僵尸网络大规模感染边缘设备，智能摄像头隐私泄露频发，命康领域之可穿戴与植入式医疗设备也面临被攻击与数据泄露之险情。
此两名需求看似水火不容。
更重要之为体系集结优势。
压缩后信号与软件实现之相关系数高达0.991。
通过于同一物理平台上共位认证与办理，CLAP除去之旧俗分离模块之硬件冗余，于能效与芯片面积方面相比旧俗CMOS预案皆实现之大幅提升。
该预案显著提升之能效并大幅缩减之芯片面积，为源泉受限边缘智能设备之隐私守护数据剖析开辟之新之技艺路径。
电导差值用于确定性之CIM权重计算，而电导组合用于生成随机之PUF指纹，如图2所示。
https://www.science.org/doi/10.1126/sciadv.ady5485 从经典信号办理到神经网络 图1：隐私守护数据剖析体系预案对比。
论文链接：https://www.science.org/doi/10.1126/sciadv.ady5485 团队首先于离散小波变换上验证体系性能。
此证验CLAP不会捐躯计算精度来换取安康性。
它们将安康模块与计算模块分离，造成巨大之硬件冗余。
研讨团队之处置预案为：使用差分表示之冗余性。
PUF性能——误码率、唯一性、扩散性与均匀性指标全部接近理论抱负值，确保之安康认证本领。
阿里千问剑走偏锋，将AI与耗费场景深度绑定，启动30亿元“春节请客谋划”，用户对千问说出指令即可一键下单，并用25元无门槛免单卡，覆盖主流茶饮品牌，上线9小时订单量就突围1000万笔，更带动三线及以下都邑用户大幅增益，后续加码之明星口令红包，进一步降低参与门槛，引爆社交传播。
RocketMQ。发表期刊：《格致进展》（Science Advances） 针对上述疑难，近日，香港大学、清华大学与南方科技大学联手团队提出基于忆阻器之CLAP体系，如图1所示，CLAP之核心革新为「差分随机映射」法门，巧妙化解之安康与计算之间之根本纠葛。
团队指出，此一法门预期适用于其他具有可编程电导与自异变性特征之忆阻技艺，可扩展到其他基于矩阵-向量乘法之算法。
从经典信号办理到神经网络 该差事中，CLAP整顿之两项枢纽功能：通过PUF实现设备认证，通过CIM实现基于压缩感知算法之数据压缩。
【新智元导读】香港大学、清华大学与南方科技大学联手团队提出基于忆阻器芯片之共位认证与办理（Colocated Authentication and Processing，CLAP）体系，于同一芯片上同时实现安康认证与高效计算。
实验结局表明，设备认证之曲线下面积达到0.9946。
对于源泉受限之植入式设备，此意味之更长续航与更小体积——患者舒适度与维护本金之枢纽因素。
团队进一步将法门扩展到神经网络。
该研讨得国自格致基金、香港研讨资助局优配研讨金与主题研讨谋划、安富利—香港大学新兴微电子与泛于体系实验室，以及由香港革新科技署革新香港研发平台资助之香港者工智能晶片研发中心等资助。
于边缘物联网安康日益重要之今日，CLAP为「安康与效能兼得」提供之全新技艺路径，有望促进边缘智能之前景演进。
上： CLAP实现DWT办理；下：CLAP实现MNIST神经网络差事之识别准确率与认证本领。
2026年马年初五（2月21日），港股开市首日，华夏AI企业用一场震撼之市值狂飙，成之一场属于科技行业之“硬核迎财神”——智谱单日暴涨42.72%，收盘报725港元，市值突围3232亿港元；MiniMax齐步发力，收涨14.52%，报970港元，市值冲破3042亿港元。
从安康角度看，枢纽安康组件物理不可克隆函数（Physical unclonable function, PUF）需器件之物理异变性来生成独特指纹；从计算角度看，存算一体（Compute-in-memory, CIM）要求跨设备之一致计算结局。
CLAP体系之突围不仅限于命康领域。
于MNIST数术识别差事中，用标准数据集割裂，识别准确率达94-95%，与无CLAP之基准网络（95.36%）几乎持平。
虽当前工聚焦命康应用，但展示之原理可推广到智能家居、工业物联网、自动驾驶等需安康高效计算之边缘智能领域。
协作者包括南方科技大学王中锐教授，香港大学博士生丁辰辰，清华大学博士毕业生林博瀚、唐建石教授与高滨教授。
刘正午博士为第一作者。
结局显示，归一化误差均值−0.187%，标准差2.873%。
研讨团队展示之该体系从经典信号办理到神经网络之广泛适用性，为整名边缘智能性命带来启示。
连续ECG监测产生海量数据，需高能耗之无线传输，而边缘侧数据压缩可显著降低传输开销。
CLAP提出「直接输出计策」，将多级变换重构为单次矩阵-向量乘法，一步到位产生最终结局。
于确凿脑电图数据上之表现与软件实现高度一致。
香港大学电机电子营造系黄毅教授与刘正午博士，以及清华大学集结电路学院吴华强教授为论文之共同通讯作者。
此为信号办理中之经典算法，但旧俗实现因存算分离而能效低下。
天伦之乐。同时，此些设计遵循冯·诺依曼架构，存储与计算单元分离，引入大量数据传输瓶颈，严重限制之源泉受限边缘设备之续航本领与部署密度。