无源电路元件忆阻器支持类脑计算系统

北京大学的Yuchao Yang及其同事在发表在《智能系统》上的新论文中表明，可以使用忆阻器构建类似于人的存储器结构，忆阻器被认为是电阻，电容器和电感器之外的第四种无源电路元件。

半导体行业的长期梦想是在硅芯片上构建类似于大脑的计算系统。近来，神经形态计算已被提出作为在硬件上模拟神经元和突触的工作模式的一种手段，并被誉为大数据和人工智能时代的下一代计算范例。

但是，构建神经形态计算系统的关键挑战是重新创建大脑中基于内容的存储结构，这与传统计算机中基于地址的存储有很大不同。

由于其内部的工作动态，忆阻器可以响应于外部电刺激而改变其电阻值，与生物突触具有相似性。在他们的研究中，研究小组使用离散的吸引器网络来实现并模拟了基于忆阻器的物理系统，该吸引器网络能够实现关联记忆，这是一种典型的基于内容的记忆现象，可以记忆看似无关的项目之间的关系，或者精确地从损坏的状态中召回整个信息信息。

所需的信息在网络的吸引者处进行编码，并且通过在称为Oja Rule的在线学习方法中引入神经元之间的竞争与合作，与以前的方法相比，系统的存储容量可以增加10倍，并且具有更好的鲁棒性和设备缺陷的容忍度。

通过将离散的吸引子神经网络扩展为连续的吸引子神经网络（CANN），首次使基于忆阻器的工作记忆成为可能，这证明了动态存储和跟踪外部刺激的潜力。研究人员还系统地研究了设备特性对网络性能的影响，发现来自不同来源的噪声会对CANN维护动态信息的能力产生不同的影响。虽然读取噪声转移了网络活动的中心，但是写入噪声会使网络活动的中心分裂了。

这项工作代表了基于忆阻器的神经形态系统的重大进步，该系统可以接近生物学上合理的神经网络，并且可以为真正智能的硬件系统铺平道路。展望未来，该团队希望将连续吸引子神经网络与物理忆阻器交叉开关上的现有监督学习系统结合起来。

特色图片：基于忆阻器的物理系统用于实现基于离散吸引子网络的关联内存，从而实现基于内容的存储。通过将其扩展到连续的吸引子神经网络，可以基于忆阻器实现工作记忆。发现忆阻器阵列中的写入和读取噪声对网络维护动态信息的能力有不同的影响。