这几年很多单位(我知道中国科技大学、清华、国科大、国防科大等。)有相关研究。今年年初，清华大学微电子研究所和未来芯片技术高技术创新中心的研究团队联合开发了一种基于多忆阻器阵列的存储计算集成系统，可以高效处理卷积神经网络。其能效比图形处理器芯片高两个数量级，有望大幅提升计算设备的计算能力。相关结果最近发表在[

 

其中提到了一种新器件，忆阻器。

 

类似于电容和电感的对应关系。忆阻器是电阻的对应物。忆阻器的电阻是由流经它的电荷决定的，流经它的电荷可以通过它的电阻得知。固态忆阻器可以组合成称为交叉开关锁存器的器件，这种器件可以取代晶体管来制造未来的计算机，占用的空间要少得多。忆阻器体积小，可以大规模集成，功耗低，适合模拟计算。忆阻器可以用来尝试做类似大脑的计算，集成存储和计算，能耗低。

 

忆阻器通常通过交叉阵列高密度集成。当列电压矢量施加在忆阻器交叉阵列的一端时，另一端的输出行电流矢量是施加的列电压矢量和忆阻器电导矩阵的乘积。也就是说，基于欧姆定律和基尔霍夫电压定律，忆阻器阵列可以在一个周期内完成矢量和矩阵的乘法和累加。乘法因子直接存储在忆阻器阵列中，不需要单独的存储单元，从而绕过了冯诺依曼的瓶颈。此外，基于忆阻器阵列乘法和累加运算的核心单元的计算能量效率比现有的CMOS器件提高了两个数量级。

 

由于忆阻器电阻的可变性类似于神经元的突触可塑性，其非挥发性与突触的记忆功能相一致，因此成为模拟突触连接强度的理想器件。目前，对忆阻器神经网络的计算已经做了大量的研究。卷积神经网络是一种重要的深度学习模型，它借鉴了人脑处理视觉信息的方式。从算法上看，通过卷积和池运算可以高效提取图像、视频等特征信息，在处理各种计算机视觉任务中取得了良好的效果。在传统的计算架构中，受存储与计算分离设计的限制，卷积神经网络模型的实现会有高功耗和长延迟，不能满足很多生活场景中对电池容量和实时操作的要求。

 

然而，忆阻器器件之间的波动、器件电导的停滞、电导状态的漂移等。会降低计算的准确性，使得难以制备具有高一致性和可靠性的多值忆阻器阵列。忆阻器的性能在很大程度上取决于材料的选择和组合。不仅要考虑所选材料的物理参数是否易于控制，还要考虑是否适合未来产业化。例如，清华的团队在忆阻器中常用的二氧化铪材料上增加了一层界面控制层。这种界面控制层是一种金属氧化物层材料，可以根据不同的工艺精确控制其不同成分的比例。通过这种方法，可以测量忆阻器中二氧化铪部分的微观变化，以及内部温度和电场