一种称为忆阻器的低功耗，非易失性技术显示了作为机器学习基础的最初希望。根据新的研究，忆阻器有效地解决了AI医疗诊断问题，这是一个令人鼓舞的发展，它暗示了其他领域的其他应用，尤其是低功耗或网络“边缘”应用。研究人员说，这可能是因为忆阻器人工模仿了神经元的某些基本特性。 从理论上讲，忆阻器可以像能够计算和存储数据的人工神经元一样起作用。因此，研究人员提出，忆阻器可以潜在地大大减少传统计算机在处理器和内存之间来回穿梭数据的能量和时间。这些设备还可以在神经网络（神经网络）中很好地工作。 神经网络是使用合成形式的突触和神经元来模拟人脑学习过程的机器学习系统。 开发用于忆阻器的应用程序的一个挑战是这些器件中发现的随机性。研究的主要作者，法国格勒诺布尔阿尔卑斯大学的电气工程师托马斯·达尔加蒂说，忆阻器中看到的电阻或电导率的水平取决于连接两个电极的少数原子，因此从一开始就很难控制它们的电性能。 现在，Dalgaty和他的同事们已经开发出一种方法来利用这种随机性来进行机器学习应用程序。他们本月在《自然电子》杂志上详细介绍了他们的发现。 通过在高电导通状态和低电导通状态之间循环来对忆阻器进行编程。通常，由于器件内部固有的随机过程，在忆阻器中看到的电导率水平可能会在一个导通状态和下一个导通状态之间变化。 但是，如果忆阻器的开/关循环足够，则每个忆阻器的电导率都将遵循“钟形曲线”的模式，Dalgaty说。科学家们透露，他们可以实施一种称为马尔可夫链蒙特卡洛采样的算法，该算法可以积极利用这种可预测的行为来解决许多机器学习任务。 与传统的数字CMOS电子产品的性能相比，研究人员的忆阻器阵列实现了惊人的五个数量级的能量降低。Dalgaty说，这是因为忆阻器不需要在处理器和内存之间来回拖曳数据。对于上下文，100,000倍的差异相当于“世界上最高的建筑物哈利法塔和一枚硬币之间的高度差”。 对于忆阻器而言，一个潜在的令人兴奋的应用是能够在网络的远端（又称为“边缘”）进行学习，调整和操作的设备， 有时会驻留低功耗设备，例如嵌入式系统，智能家居设备和IoT节点。Dalgaty说，的确，忆阻器可以帮助使边缘学习设备成为现实。 他解释说：“当前无法进行边缘学习，因为使用现有硬件执行机器学习所需的能量远远大于边缘上可用的能量。（使用忆阻器）边缘学习……可能会打开以前无法实现的全新应用程序域。” 例如，研究人员使用由16384个忆阻器组成的阵列来检测心电图记录中的心律异常，从而报告了比基于传统非忆阻器电子产品的标准神经网络更好的检测率。该团队还使用他们的阵列来解决图像识别任务，例如诊断恶性乳腺组织样本。 未来边缘学习记忆忆阻器的潜在应用可能包括植入的医疗预警系统，该系统可以随着患者状态的变化而适应患者的状态。Dalgaty说：“我们正在寻求这些真正受能源限制的边缘应用程序，这些应用程序可能由于能源（限制）而不存在或不存在。” Dalgaty说，下一个重大挑战是将所有这些功能整合到一个可以在实验室外部应用的集成芯片上。他说，这样的芯片可能要花费几年的时间。 忆阻器（称为存储器和电阻器的portmanteau）是一种非易失性电子存储设备，1971年由Leon Ong Chua首次提出，是继电阻器，电容器和电感器之后的第四个基本两端电路元件（IEEE Transactions on Circuit Theory，“ Memristor-缺少的电路元件”）。 它的特殊特性是可以对其电阻进行编程（电阻功能）并随后保留其存储（内存功能）。与现代电子产品中当今存在的其他存储器不同，忆阻器是稳定的，即使设备掉电也能记住其状态。 但是，仅在将近40年后，才制造出第一台实用设备。那是在2008年，惠普研究实验室的斯坦利·威廉姆斯（Stanley Williams）领导的一个小组意识到，在金属氧化物薄膜器件中，在导通状态和导通状态之间的电阻切换显示出莱昂·蔡的忆阻器性能。 从那时起，该领域迅速发展，并且在该地区进行了大量工作。最近在忆阻器器件（Nature Nanotechnology，“具有6 nm半节距和2 nm临界尺寸的忆阻器交叉开关阵列”）和超高电阻器中实现了很高的耐久性（1200亿个周期）和保持力（10年或更长时间）密度多层交叉阵列，包括多层堆叠，已经实现了可扩展至2-10纳米的可扩展性。 如今，大多数计算机都使用随机存取存储器（RAM），该存储器在用户工作时移动非常快，但是如果断电了，则不会保留未保存的数据。另一方面，闪存驱动器在未通电但运行速度较慢时会存储信息。忆阻器可以提供两全其美的记忆：快速而可靠。 忆阻器具有几个吸引人的特性，这使它们吸引了计算机科学家的注意：它们所需的能量更少，并且运行速度比目前的固态存储技术快，并且它们在同一区域中存储的数据至少是其两倍。忆阻器实际上不受辐射的影响，辐射会破坏基于晶体管的技术。同样，忆阻器可以使计算机像电灯开关一样打开和关闭。 与具有固定电阻的电阻器不同，忆阻器具有与电压相关的电阻，这意味着材料的电性能至关重要。忆阻器材料必须具有可随电压可逆变化的电阻。忆阻器的结构非常简单-通常只是两个金属电极之间的二氧化钛薄膜。 科学家已经能够证明各种材料，例如金属氧化物，硫族化物，无定形硅，碳以及聚合物-纳米颗粒复合材料都表现出忆阻现象。 具有生物可调节忆阻性能的基于生物工程蛋白质的纳米器件是通过调节古生铁蛋白中铁的含量来制造的。由于铁络合物核的较高电化学活性，较高的分子负载表现出较好的忆阻性能。 对忆阻器设备的高度关注还源于以下事实：这些设备模拟生物突触的记忆和学习特性。也就是说，设备的电阻值取决于流过它的电流的历史记录。 正在努力在神经形态计算应用中使用忆阻器设备，现在可以合理地设想开发出具有极低功耗（非易失性），超快性能和高密度的新一代人工智能设备。积分。 计算机具有独立的处理和内存存储单元，而大脑使用神经元来执行这两种功能。这就是为什么与数字计算机相比，神经网络能够以低得多的能耗实现复杂计算的原因之一。 任何神经形态学努力的关键组成部分之一是人工突触的设计，即具有受生物神经系统启发的物理结构的人工神经系统的设计。人脑比神经元包含更多的突触-大约是10,000倍-因此，如果科学家想将神经形态回路扩展到人脑水平，则有必要开发一种纳米级，低功率，类似突触的设备。 忆阻器类似于人脑中的突触，因为它显示出相同的开关特性，即它能够以高水平的可塑性在传递本身的影响下修改神经元之间信号传递的效率。这就是为什么研究人员希望使用忆阻器来制造用于神经形态计算的电子突触，该突触模仿人脑中学习和计算的某些方面。 神经科学家认为，突触之间的竞争和合作行为非常重要。研究人员已经制造了忆阻装置，使他们能够在固态系统中实现这些突触行为的忠实模型。
