A Low-Power Domino Logic Architecture for Memristor-Based Neuromorphic Computing
Rochester Institute of Technology（罗切斯特理工学院）
我们提出了一个多米诺逻辑架构的忆阻器为基础的类脑计算。该设计使用忆阻器RC电路的延迟来表示突触计算和简单的二进制神经元激活函数。同步计划提出了神经网络层之间的信息通信，并开发了一个简单的线性功率模型来估计设计的能量效率为一个特定的网络规模。结果表明，所提出的架构可以实现0.61 fJ每分类每个组件（神经元和突触），并优于其他设计的能量每%的准确性。
2019-06-13 cs.ET cs.LG
My, and others', spiking memristors are true memristors: a response to R.S. Williams' question at the New Memory Paradigms: Memristive Phenomena and Neuromorphic Applications Faraday Discussion
在法拉第讨论会上，在题为“具有尖峰忆阻器的神经形态计算：习惯化、逻辑门的实验实例化和一种新的序列敏感感知器模型”的论文中，证明了可以使用忆阻器电流尖峰（直流响应）以顺序方式完成大量计算。由于这些尖峰在许多忆阻器（可能是所有忆阻器）中被发现，因此这种新颖的方法对于快速和可再现的忆阻器电路非常有用。然而，有人提出了这些尖峰实际上是由于忆阻还是仅仅是电路中的电容引起的问题。在这个较长版本的法拉第讨论回应中，尽可能多的信息来自我实验室的已发表和未发表的数据。我们发现这些器件可能是具有一定电容的不完美忆阻器，并且尖峰与忆阻器磁滞曲线中看到的频率效应有关，因此是忆阻的一个组成部分。
2018-12-14 cs.ET physics.app-ph
Graphene oxide based synaptic memristor device for neuromorphic computing
由神经元和突触组成的脑启发类脑计算具有执行复杂信息处理的能力，为克服冯·诺依曼瓶颈提供了一种新的计算范式。电子突触忆阻器件能够与生物突触竞争，对类脑计算具有重要意义。在这项工作中，我们展示了我们的努力，开发和实现基于氧化石墨烯（GO）的忆阻器设备作为突触设备，模仿生物突触。事实上，该装置表现出基本的突触学习行为，包括模拟记忆特性，增强和抑制。此外，通过设计突触前和突触后尖峰，模仿尖峰时间依赖可塑性学习规则。此外，非易失性性能，如持久性，保持性，多电平开关的器件进行了探索。这些结果表明，Ag/GO/FTO忆阻器件确实是未来类脑计算应用的潜在候选者。关键词：RRAM，氧化石墨烯，类脑计算，突触装置，增强，抑郁
2020-12-25 cond-mat.dis-nn cs.ET
Conductance-dependent Photoresponse in a Dynamic SrTiO3 Memristor for Biorealistic Computing
ETH Zurich（苏黎世联邦理工学院）；TU Wien（维也纳工业大学）
本研究利用动态SrTiO3忆阻器实现依赖电导的光电响应，探索生物真实计算的电光硬件实现。
2026-02-04 cs.ET
A Compact CMOS Memristor Emulator Circuit and its Applications
由于忆阻器在非冯·诺依曼计算、机器学习、类脑计算和混沌电路中的广泛应用，忆阻器的概念最近引起了广泛的兴趣。我们介绍了一个紧凑的CMOS电路，模拟理想化的忆阻器特性，可以跨越器件的挑战，弥合概念之间的差距，芯片级实现。CMOS忆阻器电路体现为两端可变电阻器，其电阻由跨其端子施加的电压控制。忆阻器的“状态”被保持在控制电阻值的电容器中。本文提出了忆阻器仿真电路的设计和仿真，并将其应用于一个使用模拟并行求解迷宫的记忆计算应用中。此外，忆阻器仿真器电路可以使用标准商业CMOS技术来设计和制造，并且为神经形态和机器学习电路中的有趣应用打开了大门。
2017-11-18 cs.ET
Enhanced Read Resolution in Reconfigurable Memristive Synapses for Spiking Neural Networks
本文针对4位忆阻突触READ分辨率不足的问题，通过器件级缩放及READ电压、体偏置运行时自适应显著提升电流裕度与分辨率，并在分类任务中验证其抗噪准确率优势。
2023-06-23 cs.ET
TiO2 based Nanostructured Memristor for RRAM and Neuromorphic Applications: A Simulation Approach
我们报告模拟的纳米结构忆阻器件使用分段线性和非线性窗口函数的RRAM和神经形态的应用。忆阻器的线性漂移模型已经被开发用于仿真目的，线性和非线性窗口函数作为数学和脚本基础。结果表明，分段线性窗函数可以很好地模拟与RRAM应用相关的忆阻器特性。然而，非线性窗函数只能在控制参数较低的情况下才能在仿真中表现出非线性现象。这促使我们提出了一种新的非线性窗函数来仿真忆阻器的仿真模型。有趣的是，所提出的窗函数可扩展到f（x）=1，并且在较高的控制参数幅度下表现出非线性行为。此外，所提出的非线性窗函数的仿真结果是令人鼓舞的，并揭示了从LRS到HRS的平滑的非线性变化，反之亦然，因此对神经形态应用是有用的。
2016-01-25 cond-mat.mtrl-sci cs.ET
KNOWM Memristors in a Bridge Synapse delay-based Reservoir Computing system for detection of epileptic seizures
本研究利用KNOWM忆阻器构建基于桥突触的单节点回声状态机储备计算系统，用于癫痫发作检测，并展示了其在神经形态应用中的潜力。
2025-02-27 cs.ET physics.med-ph
Beyond Memristor: Neuromorphic Computing Using Meminductor
University of Kent（肯特大学）
本文提出忆磁体作为新型神经形态计算元件，通过实验重现变形虫行为，展示其在深度学习中的独特作用。
2025-12-10 cs.AI cs.ET
Neuromorphic computing with multi-memristive synapses
类脑计算已成为构建下一代智能计算系统的一条有前途的途径。忆阻器件表现出历史依赖的电导率调制，可以有效地表示人工神经网络中的突触权重。然而，保持高网络精度所必需的在宽动态范围内精确调制器件电导被证明是具有挑战性的。为了解决这个问题，我们提出了一个多忆阻突触架构与一个有效的全球计数器为基础的仲裁方案。我们专注于相变存储器设备，开发了一个全面的模型，并通过模拟证明了这一概念的有效性为尖峰和非脉冲神经网络。此外，我们目前的实验结果涉及超过一百万相变存储设备的时间相关性的无监督学习使用脉冲神经网络。这项工作为实现大规模、高能效的类脑计算系统迈出了重要的一步。
2019-02-24 cs.ET
MaD: Mapping and debugging framework for implementing deep neural network onto a neuromorphic chip with crossbar array of synapses
神经形态系统或用于类脑计算的专用硬件随着对用于突触的不同设备材料的研究的进展而变得流行，特别是在交叉结构以及特定于或兼容于神经形态硬件的算法中。因此，将任何深度神经网络自动映射到具有突触交叉阵列和高效调试框架的神经形态芯片上是非常必要的。这里，映射被定义为将一部分深神经网络层部署到神经形态核心上，并在神经元群体之间生成连接列表以指定神经形态芯片上的各种神经形态核心之间的连接。验证是在推理期间在神经形态芯片上执行的计算的验证。该框架一起成为映射和映射（MaD）框架。MaD框架在使用上相当通用，因为它是一个Python包装器，可以与几乎所有神经形态芯片的模拟器工具集成。本文详细说明了MaD框架，考虑到一些优化，同时映射到一个单一的neuromorphic核心。MNIST和CIFAR-10数据集上的分类任务被认为是MaD框架的测试用例实现。
2019-01-01 cs.ET cs.NE
A differential memristive synapse circuit for on-line learning in neuromorphic computing systems
在类脑计算架构中利用忆阻器件的基于尖峰的学习通常使用需要来自突触前和突触后节点的重叠脉冲的学习电路。这对在网络中传输的脉冲的长度以及网络的吞吐量施加了严格的约束。此外，这些电路中的大多数不会将流过忆阻器件的电流与刺激目标神经元的电流解耦。当使用具有高电导值的器件时，这可能是一个问题，因为所产生的电流很大。在本文中，我们提出了一种新的电路，通过使用一种新的差分方案的基础上的吉尔伯特归一化电路，从一个用于刺激突触后神经元的忆阻器件产生的电流。我们展示了该电路如何用于减少忆阻器件中的可变性的影响，以及它如何非常适合于不需要重叠的突触前和突触后脉冲的基于尖峰的学习机制。我们证明了建议的突触电路与SPICE模拟的功能，并验证其学习性能与高层次的行为网络模拟使用随机梯度下降学习规则在两个分类任务。
2017-09-16 cs.ET
A Multimode Hybrid Memristor-CMOS Prototyping Platform Supporting Digital and Analog Projects
我们提出了一个集成电路制造的过程中共同集成CMOS和氧化铌忆阻器技术，它提供了一个原型平台的项目，涉及忆阻器。我们的电路包括在数字电路中使用忆阻器的外围电路，以及直接存取忆阻器的模拟模式。该平台允许优化读取和写入忆阻器的条件，以及开发和测试基于忆阻器的创新神经形态概念。
2023-02-28 cs.ET
Perceptrons from Memristors
忆阻器，具有记忆的电阻器，其输出取决于其输入的历史，已经成功地用于神经形态架构，特别是作为突触和非易失性存储器。然而，据我们所知，到目前为止还没有提出一种网络模型，其中突触和神经元都使用忆阻器实现。在目前的工作中，我们介绍模型的单一和多层感知器完全基于忆阻器。我们将delta规则应用于基于忆阻器的单层感知器，将反向传播算法应用于基于忆阻器的多层感知器。我们的研究结果表明，两者都表现出预期的感知器，包括满足明斯基-Papert定理。作为通用近似定理的结果，他们还表明忆阻器是通用函数近似器。通过将忆阻器用于神经元和突触，我们的模型为基于忆阻器的新型神经网络架构和算法铺平了道路。基于忆阻器的神经网络可以在能量守恒方面显示出优势，并为其他学习系统在经典和量子学习领域中适应基于忆阻器的范例开辟了可能性。
2018-12-26 cs.ET cs.NE quant-ph
OpenMENA: An Open-Source Memristor Interfacing and Compute Board for Neuromorphic Edge-AI Applications
College of Science and Engineering（科学与工程学院）
本文提出开源忆阻器存内加速系统OpenMENA，集成可复现硬件接口、固件软件栈及VIPI权重编程与芯片在环微调方法，并在数字识别和机器人避障任务中验证了从权重迁移到片上学习的完整流程。
2025-11-03 cs.AI cs.ET
Experimental Demonstration of Neuromorphic Network with STT MTJ Synapses
我们提出了第一个实验演示的神经形态网络与磁隧道结（MTJ）突触，通过矢量矩阵乘法进行图像识别。我们还模拟了一个大型MTJ网络执行MNIST手写数字识别，证明MTJ交叉杆可以匹配忆阻器的精度，同时提供更高的精度，稳定性和耐用性。
2021-12-09 cond-mat.mes-hall cs.ET cs.NE
Physical based compact model of Y-Flash memristor for neuromorphic computation
本文提出一种基于物理的Y-Flash忆阻器紧凑模型，准确描述其在DC和AC状态下的动态编程与擦除操作，并已集成至商业电路设计工具，为神经形态计算应用提供支持。
2022-02-16 cs.ET physics.app-ph
Self-Adaptive Spike-Time-Dependent Plasticity of Metal-Oxide Memristors
金属氧化物忆阻器已经成为人工突触硬件实现的有前途的候选者-高性能模拟神经形态网络的关键组件-由于其出色的扩展前景。由于一些高级认知任务需要尖峰神经形态网络，它明确地模拟生物神经系统中的单个神经脉冲（尖峰），因此忆阻突触支持尖峰时间依赖可塑性（STDP）是至关重要的，这被认为是Hebbian适应的主要机制。STDP实现的一个主要挑战是，与一些简单的可塑性模型相比，人工硬件突触中突触权重的基本变化不仅取决于突触前和突触后信号，还取决于初始权重（忆阻器的电导）值。在这里，我们实验证明，第一次，STDP协议，确保自适应的平均忆阻器电导，使可塑性稳定，即不敏感的设备的初始状态。实验是使用集成到12 x12十字棒中的200纳米Al 2 O3/TiO 2-x忆阻器进行的。实验观察到的自适应STDP行为已经补充了一个简单的系统中的重量动态的数值建模与泄漏集成和火灾神经元与随机尖峰序列输入，使用紧凑的模型忆阻器的可塑性，适合定量正确描述我们的忆阻器。
2015-05-20 cond-mat.other cs.ET
Emulating long-term synaptic dynamics with memristive devices
忆阻器件的潜力经常被用于实现类脑计算的神经形态架构。然而，设计过程不允许材料的扩展操作，与CMOS技术不同，在生物突触是忆阻器的观点下，忆阻材料的性质应该在这种计算的背景下被利用。在这里，我们表明，单固态二氧化钛忆阻器可以表现出在生物皮层突触中观察到的关联可塑性现象，并被捕获的现象学可塑性模型称为三联体规则。该规则包括一个尖峰定时依赖的可塑性制度和一个经典的赫布联想制度，并与大量的电生理数据兼容。通过一组实验与我们的人工，忆阻，突触，我们表明，与传统的固态存储器的使用，场和热驱动的开关机制，可以呈现双极和/或单极编程模式的共存是一个显着的特点捕捉长时程增强和抑郁症突触动态。我们进一步证明了忆阻器的非线性累积性质促进了长时程增强或抑制记忆转换。
2016-04-22 cs.ET
A 0.086-mm$^2$ 12.7-pJ/SOP 64k-Synapse 256-Neuron Online-Learning Digital Spiking Neuromorphic Processor in 28nm CMOS
将计算架构从冯·诺依曼转移到基于事件的脉冲神经网络（SNN），为视觉或感觉运动控制等应用中的感觉数据低功耗处理带来了新的机会。探索认知SNN的道路需要设计紧凑、低功耗和多功能的实验平台，其关键要求是在线学习，以便在不受控制的环境中适应和学习新功能。然而，SNN中的嵌入在线学习目前受到高引发的复杂性和区域开销的阻碍。在这项工作中，我们提出了ODIN，一个0.086毫米$^2$ 64 k-突触256神经元在线学习数字尖峰神经形态处理器在28纳米FDSOI CMOS实现的最小能量每突触操作（SOP）的12.7 pJ。它利用尖峰驱动的突触可塑性（SDSP）学习规则的高效实现，用于高密度嵌入式在线学习，每个4位突触只有0.68 $μ$ m $^2$。神经元可以独立地配置为标准的泄漏积分和发射（LIF）模型或自定义的现象学模型，模拟生物尖峰神经元中发现的20个Izhikevich行为。使用6k 16 $\times$ 16 MNIST训练图像的单一呈现到具有基于片上SDS的学习的单层全连接10-神经元网络，ODIN实现了84.5%的分类准确率，同时使用秩序编码在0.55V下仅消耗15 nJ/推理。因此，ODIN使认知神经形态设备的进一步发展，低功耗，自适应和低成本的处理。
2018-11-10 cs.ET
2T1R Regulated Memristor Conductance Control Array Architecture for Neuromorphic Computing using 28nm CMOS Technology
针对1T1R忆阻器阵列的导线电阻引发的读写干扰等问题，提出28nm工艺下的2T1R调控型电导控制架构，通过双端接地阻漏、调控电流/电压控电导，优化神经形态计算的存内计算能效。
2025-05-19 cs.AR cs.ET cs.SY
Contrastive Learning in Memristor-based Neuromorphic Systems
本研究针对深度反向传播网络能效低、生物不可解释的问题，设计了基于忆阻器神经形态系统的无反向传播对比信号依赖可塑性（CSDP），实验证明其硬件可免复杂梯度计算学习简单逻辑函数。
2024-09-17 cs.ET cs.NE q-bio.NC
A Bio-inspired Asymmetric Double-Gate Ferroelectric FET for Emulating Astrocyte and Dendrite Dynamics in Neuromorphic Systems
本文提出一种仿生非对称双栅铁电场效应晶体管，通过铁电顶栅和背栅实现星形胶质细胞与树突动力学模拟，支持动态增益调制、自修复及坐标变换，推动类脑神经形态硬件发展。
2025-04-20 cs.ET
NeoHebbian Synapses to Accelerate Online Training of Neuromorphic Hardware
针对神经形态系统先进学习规则对复杂突触器件的需求，提出并验证基于ReRAM的neoHebbian突触，通过双状态变量实现高效在线训练，经仿真证实其能稳健支持快速、紧凑且节能的先进学习规则实现。
2024-11-27 cs.ET cs.NE
A CMOL-Like Memristor-CMOS Neuromorphic Chip-Core Demonstrating Stochastic Binary STDP
纳米级忆阻器的出现带来了能够构建CMOL（CMOS/纳米线/分子）型超密集存储器内计算电路架构的希望。在CMOL中，纳米级忆阻器将在纳米线的交叉处制造。CMOL概念可以通过在CMOS上制造低密度神经元并将大量模拟突触连接与在顶部后制造的纳米线和纳米尺度忆阻器织物一起用于神经形态硬件。然而，技术问题阻碍了目前可用的可靠的商业单片CMOS忆阻器技术的这种发展。一方面，每个忆阻器需要串联的MOS选择器晶体管以保证大阵列中的形成和编程操作。这导致复合MOS-忆阻器突触（称为1 T1 R），其在纳米线交叉处不再是突触。另一方面，忆阻器还不能构成具有渐进学习的大规模模拟权重突触的高度可靠、稳定的模拟存储器。在这里，我们展示了一种伪CMOL单片芯片核心，它通过以下方式规避了上述两个技术问题：（a）利用类似CMOL的几何芯片布局技术来提高密度，尽管存在1 T1 R限制;以及（b）利用二进制权重随机尖峰定时相关可塑性（STDP）学习规则，该规则利用了所使用的忆阻器的更可靠的二进制存储能力。实验结果提供了一个脉冲神经网络（SNN）的CMOL核心，64个输入神经元，64个输出神经元，和4096个1 T1 R突触，制造在130纳米CMOS与200纳米大小的Ti/HfOx/TiN忆阻器的顶部。CMOL核心使用查询驱动的事件读出，这允许忆阻器可变性不敏感的计算。
2022-09-13 cs.ET cs.SY eess.IV
Implementation of Multiple-Step Quantized STDP Based on Novel Memristive Synapses
本研究设计了由4忆阻器2电阻构成的新型SNN忆阻突触，可实现兴奋性/抑制性切换及无额外信号处理的赫布/反赫布训练，搭配时钟方波脉冲方案提升神经元电路鲁棒性，结合含非线性焦耳效应的忆阻器模型仿真验证，为神经形态边缘计算设备研发提供启发。
2023-08-28 cs.ET cs.SY eess.SY
Biological plausibility and stochasticity in scalable VO2 active memristor neurons
人工神经元和突触的神经形态网络可以解决计算困难的问题，其能量效率是冯·诺依曼架构无法达到的。对于图像处理，硅神经形态处理器在能量效率方面大大优于图形处理单元（GPU），但它们提供的芯片级吞吐量要低得多。硅处理器的性能效率困境可能无法通过互补金属氧化物半导体（CMOS）场效应晶体管的摩尔定律缩放来克服。可缩放的和仿生的主动忆阻器神经元和被动忆阻器突触形成了无晶体管神经网络的自给自足的基础。然而，以往的忆阻器神经元的演示只显示了简单的积分和发射（I&F）行为，并没有揭示生物神经元丰富的动力学和计算复杂性。在这里，我们表明，神经元与纳米级二氧化钒有源忆阻器具有所有三类的兴奋性和大多数已知的生物神经元动力学，本质上是随机的。有了有利的尺寸和功率缩放，有一条通往全忆阻器神经形态皮层计算机的道路。
2018-09-20 cs.ET physics.app-ph
Synapse Loss Estimation for the BrainScaleS Wafer-scale Neuromorphic System
TUD Dresden University of Technology（德累斯顿工业大学）
本文针对BrainScaleS晶圆级神经形态系统，提出基于概率分布和路由架构的突触损失估计方法，预测映射均匀随机网络时的损失，并验证其能力与局限，助力映射优化与硬件设计。
2026-10-07 cs.ET cs.NE
A Compact Gated-Synapse Model for Neuromorphic Circuits
本研究提出一种基于Verilog-A的紧凑型门控突触行为模型，可在单一框架内支持多种门控突触类型，经仿真与实验数据拟合验证了有效性，便于集成到神经形态电路的计算机辅助设计中。
2020-06-29 cs.ET cs.NE
A Biological-Realtime Neuromorphic System in 28 nm CMOS using Low-Leakage Switched Capacitor Circuits
提出了一种用于神经元闭环耦合的开关电容（SC）神经形态系统，采用28 nm CMOS工艺，面积为600 μ m × 600 μ m。它提供128个输入通道（即突触前末梢），8192个突触和64个输出通道（即神经元）。生物现实的神经元和突触动力学是通过一个忠实的翻译SC电路的行为方程。由于漏电流会显著影响该技术节点的电路行为，因此采用专用补偿技术来实现生物实时操作，并在室温下忠实再现几百ms的时间常数。整个系统的功耗为1.9 mW。
2014-12-10 cs.ET
Magnetic skyrmion artificial synapse for neuromorphic computing
自从十年前磁性skyrmions的实验发现以来，人们一直在努力将虚拟粒子带入全电全功能设备中，这是受到其迷人的物理和拓扑特性的启发，适用于未来的低功耗电子器件。在这里，我们实验证明这样一个设备：电操作skyrmion为基础的人工突触设备设计的神经形态计算。我们提出，控制电流诱导的创建，运动，检测和删除的skyrmions在亚铁磁多层膜可以利用在一个单一的设备在室温下模仿生物突触的行为。使用模拟，我们证明了这种基于skyrmion的突触可以用于使用手写识别数据集执行神经形态模式识别计算，达到约89个字母的准确度，与基于软件的训练准确度约94个字母相当。芯片级仿真则突出了skyrmion突触与现有技术相比的潜力。我们的研究结果通过实验说明了基于skyrmion的全功能电子设备的基本概念，同时在新兴的基于自旋电子学的生物启发计算领域提供了一个新的构建模块。
2019-09-30 cs.ET physics.app-ph
Scaling Limits of Memristor-Based Routers for Asynchronous Neuromorphic Systems
本研究探讨忆阻交叉阵列作为异步SNN硬件中路由通道的扩展极限，通过理论建模、22nm FDSOI电路仿真及4K-ReRAM芯片实验，确定了IR压降和漏电问题导致的功能界限，为多核异步神经形态系统的忆阻路由器设计提供指导。
2023-12-21 cs.ET cs.NE
Building time-surfaces by exploiting the complex volatility of an ECRAM memristor
本研究针对基于LiₓWO₃的新型三端ECRAM忆阻器，构建随机模型并探究其STP、双指数衰减等动态特性对HOTS架构精度的影响，发现其可抗噪并提升多时间尺度信息整合精度，方法可推广至其他忆阻器件研究。
2024-04-15 cs.ET
Lorentzian Switching Dynamics in HZO-based FeMEMS Synapses for Neuromorphic Weight Storage
Cornell University（康奈尔大学）
本文提出了一种基于HZO的FeMEMS突触，利用机械开关动力学实现高精度权重存储与非破坏性读取，通过洛伦兹分布和Merz型场-时律建立机械权重与电开关动力学的定量联系。
2025-10-31 cs.ET physics.app-ph
Hafnia-based Double Layer Ferroelectric Tunnel Junctions as Artificial Synapses for Neuromorphic Computing
基于铪锆氧化物（Hf 1-xZrxO 2; HZO）的铁电隧道结（FTJ）在未来的应用中是一个很有前途的候选者，例如低功耗存储器和神经形态计算。隧道电阻（TER）是可调的，通过极化状态的HZO膜。为了规避在1-3 nm范围的隧穿范围内制造薄铁电HZO层的挑战，使用夹在两个对称金属电极之间的铁电/电介质双层。由于铁电极化存储层和具有较高带隙的介电隧穿层的去耦，获得了两个极化状态之间的显著TER比。通过利用先前报道的开关行为和电阻的逐渐可调性，FTJ可以用作尖峰神经网络中神经形态计算的突触仿真的潜在候选者。示出了突触的两个主要组成部分的实现：通过改变施加到人工FTJ突触的电压脉冲的幅度/宽度/数量的长期抑制/增强，以及通过在每个电极处施加时间延迟的电压的尖峰定时依赖性可塑性曲线。这些实验结果显示了尖峰神经网络和神经形态计算的潜力，可以用基于神经网络的FTJ来实现。
2021-07-02 cond-mat.mtrl-sci cs.ET physics.app-ph
Stochastic Memristive Devices for Computing and Neuromorphic Applications
纳米级电阻开关器件（忆阻器件或忆阻器）已经被研究用于从非易失性存储器、逻辑到神经形态系统的许多应用。然而，一个主要的挑战是解决这些纳米级器件在空间和时间上的潜在大变化。在这里，我们表明，在基于金属丝的忆阻器件的开关可以是完全随机的。虽然单个切换事件是随机的，但切换的分布和概率可以很好地预测和控制。电阻开关的固有随机性质允许这些二进制器件用作新型容错计算方案（例如随机计算）的构建块，而不是试图使用过多的电压或时间来强制高开关概率，并在神经形态应用中提供所需的“模拟”特征。为了验证这种潜力，我们在时间和空间域中展示了基于忆阻器的随机比特流，并表明二进制忆阻器阵列可以作为神经形态应用的多级“模拟”设备。
2013-04-22 cond-mat.other cs.ET
Mapping Spiking Neural Networks to Neuromorphic Hardware
神经形态硬件平台实现生物神经元和突触，以能量高效的方式执行脉冲神经网络（SNN）。我们提出了SpiNeMap，一种将SNN映射到基于交叉杆的神经形态硬件的设计方法，最大限度地减少了尖峰延迟和能耗。SpiNeMap分为两个步骤：SpiNeCluster和SpiNePlacer。SpiNeCluster是将SNN划分为突触簇的基于聚类的技术，其中簇内局部突触被映射到硬件的交叉条内，并且簇间全局突触被映射到共享互连。SpiNeCluster最大限度地减少了全局突触上的尖峰数量，从而减少了共享互连上的尖峰拥塞，提高了应用程序性能。然后，SpiNePlacer使用基于元启发式的方法在硬件上找到局部和全局突触的最佳位置，以最大限度地减少能耗和尖峰延迟。我们使用DynapSE神经形态硬件上的合成和真实SNN评估SpiNeMap。我们表明，SpiNeMap减少了45%的平均能耗和平均尖峰延迟21%，相比国家的最先进的技术。
2019-09-04 cs.ET cs.LG cs.OS
Mean Field Approach for Configuring Population Dynamics on a Biohybrid Neuromorphic System
细胞培养物与神经形态电路的实时耦合需要一个神经形态网络，该网络在每个神经元和群体的基础上复制生物行为，网络大小与培养物相当。我们提出了一个由9个芯片组成的大型神经形态系统，共有2880个神经元和144 M基于电导的突触。由于它们以强大的开关电容器方式实现，单个神经元和突触可以被配置为以高保真度复制广泛的生物现实行为。与其他基于探索/实验的方法相比，我们采用了一种理论指导的介观方法来将整个网络配置为一系列突发行为，从而复制了我们目标体外网络的统计数据。介观方法的影响超出了我们提出的生物混合体，因为它允许有针对性地探索行为空间，这是一项重要的任务，特别是在大型循环网络中。
2019-04-23 cs.ET
Inkjet-Printed High-Yield, Reconfigurable, and Recyclable Memristors on Paper
本研究利用喷墨打印技术在纸上制造基于MoS2的高产率、可重构忆阻器，实现低功耗开关和突触功能，并展示可回收性，为可持续神经形态电子提供新路径。
2023-12-27 cs.ET
Advancing Memristive Analog Neuromorphic Networks: Increasing Complexity, and Coping with Imperfect Hardware Components
我们通过实验证明了4 × 4二进制图像分为4类，使用3层混合信号神经形态网络（“MLP感知器”），基于两个无源20 × 20忆阻交叉阵列，板集成离散CMOS组件。该网络具有10个隐藏层和4个输出层模拟CMOS神经元和428个金属氧化物忆阻器，即几乎比任何先前报道的功能忆阻器电路复杂一个数量级。此外，该分类器的推理操作完全在集成硬件中执行。为了处理更大的交叉阵列，我们已经开发了一种半自动的方法来形成和测试，并比较了几种忆阻器训练方案，以应对这些设备的不完美行为，以及模拟CMOS神经元的可变性。所提出的计划的有效性进行了实验验证，使用实施的网络，此外，通过建模的操作一个更大的网络，300个隐藏层神经元，在MNIST基准。最后，我们提出了一个简单的修改实现忆阻器为基础的矢量矩阵乘法器，使其在更宽的温度范围内的操作。
2016-11-10 cs.ET cs.NE
Homogeneous Spiking Neuromorphic System for Real-World Pattern Recognition
Boise State University（博伊西州立大学）
结合CMOS模拟尖峰神经元和忆阻突触的神经形态芯片为脑启发计算提供了一个有前途的解决方案，因为它可以提供大规模的神经网络并行性和密度。以前的混合模拟CMOS-忆阻器方法需要大量的CMOS电路进行训练，因此消除了采用忆阻器突触所获得的大部分密度优势。此外，他们对突触前和突触后尖峰使用了不同的波形，这增加了不期望的电路开销。在这里，我们描述了一个硬件架构，可以具有大量的忆阻器突触学习现实世界的模式。我们提出了一个多功能的CMOS神经元，它结合了集成和发射行为，驱动无源忆阻器并在紧凑的电路模块中实现竞争性学习，并使忆阻器突触中的原位可塑性成为可能。我们演示了手写数字识别使用晶体管级电路模拟所提出的架构。由于所描述的神经形态架构是同质的，它实现了大规模节能大脑启发硅芯片的基本构建块，可能导致下一代认知计算。
2015-06-08 cs.AI cs.CV cs.ET
Scaled Hippocampus-inspired Neural Networks on Neuromorphic Memristive Hardware
George Washington University（乔治华盛顿大学）；George Mason University（乔治梅森大学）
受海马CA3区启发的脉冲神经网络，通过四管齐下目标函数缩小规模，在忆阻器硬件上实现生物现实静息态动力学，展示新兴硬件上生物现实算法的潜力。
2026-09-16 cs.ET cs.NE
Analysis on Effects of Fault Elements in Memristive Neuromorphic Systems
Kwangwoon University（光云大学）
本文通过改变故障比例、类型与位置，分析忆阻SNN神经形态系统中故障神经元及SA0/SA1故障突触的影响，揭示了四项关于脆弱性和性能变化的规律。
2023-12-08 cs.AI cs.ET cs.LG
Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing
Imperial College London（伦敦帝国理工学院）
本文提出了一种基于事件的忆阻器建模框架，用于模拟类脑计算系统，通过波动状态变量和读出方程改进了忆阻器的动态行为和突触功能。
2025-11-29 cs.ET cs.NE physics.app-ph
Laser Fault Injection in Memristor-Based Accelerators for AI/ML and Neuromorphic Computing
本研究提出激光故障注入威胁模型，通过HSPICE仿真展示其可高精度推断忆阻交叉阵列内部权重并破坏计算完整性。
2025-10-15 cs.ET cs.NE cs.SY
Endurance-Aware Mapping of Spiking Neural Networks to Neuromorphic Hardware
类脑计算系统采用忆阻器来实现高密度和低功率突触存储，作为硬件中的交叉阵列。这些系统在执行脉冲神经网络（SNN）时是能量高效的。我们观察到忆阻交叉开关中的长位线和字线是产生电流不对称的寄生电压降的主要来源。通过电路模拟，我们显示了显着的耐力变化，结果从这种不对称性。因此，如果临界忆阻器（具有较低耐久性的忆阻器）被过度利用，则它们可能导致交叉杆的寿命减少。我们提出了eSpine，这是一种新的技术，通过在映射机器学习工作负载时将每个交叉杆内的耐久性变化结合起来来提高寿命，确保具有较高激活的突触始终在具有较高耐久性的忆阻器上实现，反之亦然。eSpine分为两个步骤。首先，它使用Kernighan-Lin Graph Partitioning算法将工作负载划分为神经元和突触的集群，其中每个集群可以适合交叉开关。其次，它使用粒子群优化（PSO）的实例来将集群映射到瓦片，其中通过分析它们在工作负载内的激活来执行集群的突触到交叉杆的忆阻器的放置。我们评估eSpine的最先进的神经形态硬件模型与相变存储器（PCM）为基础的忆阻器。使用10个SNN工作负载，我们证明了有效寿命的显着改善。
2021-03-09 cs.AR cs.ET cs.NE
Analog Neural Computing with Super-resolution Memristor Crossbars
忆阻器交叉杆阵列用于广泛的存储器内和类脑计算应用中。然而，忆阻器装置遭受导致导电状态的可变性的非理想性，使得随着装置老化将其编程为期望的模拟电导值极其困难。理论上，忆阻器可以是具有记忆特性的非线性可编程模拟电阻器，其可以采取无限电阻状态。在实践中，这种忆阻器很难制造，并且在交叉开关中，它被限制在有限的一组稳定电导值。交叉开关中的节点可用的电导水平的数量被定义为交叉开关的分辨率。本文提出了一种提高分辨率的技术，通过构建具有多个忆阻器的节点的超分辨率忆阻器交叉开关来生成唯一电导值的r-单纯序列。电导值的范围和数量越宽，交叉杆的分辨率就越高。这在构建模拟神经网络（ANN）层时特别有用，这被证明是在实现神经形态计算中形成神经网络层的首选方法之一。
2021-05-10 cs.AI cs.ET
Skyrmion-Magnetic Tunnel Junction Synapse with Mixed Synaptic Plasticity for Neuromorphic Computing
基于磁Skyrmion的数据存储和非常规计算设备由于其拓扑保护、小尺寸和低驱动电流而受到越来越多的关注。然而，Skyrmion的创建，删除和运动仍在研究中。在这项研究中，我们提出了一种基于skyrmion的神经形态磁隧道结（MTJ）器件，具有长期和短期的可塑性（LTP和STP）（混合突触可塑性）。我们发现，塑性可以控制磁场，自旋轨道扭矩（SOT），和电压控制的磁各向异性（VCMA）开关机制。LTP依赖于Skyrmion密度，并由SOT和磁场控制，而STP由VCMA控制。该器件的LTP特性被用于静态图像识别。通过整合STP功能，该设备获得了额外的时间过滤能力，可以适应动态环境。Skyrmion被保守并被限制在纳米轨道上以最小化Skyrmion成核能。突触设备经过训练和测试，用于模拟深度神经网络。我们观察到，当skyrmion密度增加时，推理精度提高：系统在最高密度下实现了90%的精度。我们进一步证明了所提出的设备的动态环境学习和推理能力。
2022-05-30 cond-mat.mtrl-sci cs.ET
A Memristor based Unsupervised Neuromorphic System Towards Fast and Energy-Efficient GAN
深度学习在推动当今的人工智能发展方面取得了巨大成功。为了解决有监督学习中有限的标记数据的挑战，无监督学习在多年前被提出，但低精度阻碍了它的实际应用。生成对抗网络（GAN）作为一种无监督学习方法，具有良好的学习精度，正受到广泛的研究。然而，GAN的执行是极其存储器和计算密集的，并且导致超低速和高功耗。在这项工作中，我们提出了一个整体的解决方案，快速和节能的GAN计算通过忆阻器为基础的神经形态系统。首先，我们利用硬件和软件协同设计的方法，有效地映射GAN中的计算块。我们还提出了一个有效的数据流的最佳并行训练和测试，根据不同的计算块之间的计算相关性。为了计算GAN的独特和复杂的损失，我们开发了一个具有优化精度和性能的差分块。在大数据上的实验结果表明，与传统的GPU加速器相比，我们的设计实现了2.8倍的加速比和6.1倍的节能效果;与之前基于FPGA的加速器相比，我们的设计实现了5.5倍的加速比和1.4倍的节能效果。
2019-09-08 cs.CV cs.DC cs.ET
Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing
机器学习，特别是以深度学习的形式，推动了人工智能最近的大部分基本发展。深度学习基于计算模型，这些模型在一定程度上是生物启发的，因为它们依赖于并行操作的连接的简单计算单元的网络。深度学习已成功应用于对象/模式识别、语音和自然语言处理、自动驾驶汽车、智能自诊断工具、自主机器人、知识渊博的个人助理和监控等领域。这些成功主要由三个因素支持：大量数据的可用性，计算能力的持续增长和算法创新。摩尔定律的即将消亡，以及随之而来的通过缩放可以实现的计算能力的预期适度改进，提出了所描述的进展是否会由于硬件限制而减慢或停止的问题。本文回顾了一种新型的超越CMOS硬件技术忆阻器的案例，它是实现高能效存内计算、深度学习加速器和脉冲神经网络的潜在解决方案。中心主题是对非冯诺依曼计算架构的依赖以及开发定制学习和推理算法的需求。为了证明生物学的经验教训可以为人工智能的进一步发展提供方向，我们简要讨论了一个基于储备池计算的例子。我们通过推测未来神经形态和大脑启发的计算系统的大局观来结束审查。
2020-04-30 cs.ET cs.NE
Versatile CMOS Analog LIF Neuron for Memristor-Integrated Neuromorphic Circuits
Université de Sherbrooke（舍布鲁克大学）；Université de Lille（里尔大学）；Aix-Marseille Université（艾克斯-马赛大学）；Université Paris-Saclay（巴黎萨克雷大学）
本文提出了一种多功能CMOS模拟LIF神经元，用于实现忆阻器集成神经形态电路中的自适应突触处理与本地学习规则。
2024-06-28 cs.ET cs.SY eess.SY
Memristor Hardware-Friendly Reinforcement Learning
最近，通过使用强化学习（RL），在解决各个领域中的复杂问题方面取得了重大进展，RL允许机器或代理从与环境的交互而不是显式监督中学习。随着摩尔定律的终结似乎即将到来，能够实现高性能神经形态硬件系统的新兴技术正吸引越来越多的关注。也就是说，利用忆阻器（可编程和非易失性双端器件）作为硬件神经网络中的突触权重的神经形态架构是实现这种高能效和复杂神经系统的候选者。然而，具有集成学习能力的忆阻硬件的挑战之一是在学习过程期间可能需要的大量写入周期，并且这种情况在RL情况下甚至加剧。在这项工作中，我们提出了一个忆阻神经形态硬件实现的演员评论家算法在RL。通过引入双重训练过程（即，非原位预训练和原位重新训练）和若干训练技术，可以显著减少权重更新的数量，因此它将适合于有效的原位学习实现。作为一个案例研究，我们考虑平衡倒立摆，在RL和控制理论的经典问题的任务。我们相信，这项研究表明，使用忆阻器为基础的硬件神经网络处理复杂的任务，通过原位强化学习的承诺。
2020-01-20 cs.ET cs.LG
A light-stimulated neuromorphic device based on graphene hybrid phototransistor
神经形态芯片是指一种非传统的计算架构，它是以生物大脑为模型的。它非常适合处理智能计算，决策或上下文认知的传感数据。尽管发展迅速，但传统的人工突触表现出较差的连接灵活性，并且需要单独的数据采集电路，从而导致有限的功能和显著的硬件冗余。在这里，我们报告了一种新的光刺激人工突触的基础上，石墨烯纳米管混合光电晶体管，可以直接转换成一个“神经图像”的光刺激进一步的神经元分析。我们的光学驱动突触涉及多个步骤的可塑性机制，重要的是表现出灵活的调整短期和长期的可塑性。此外，我们的神经形态光电晶体管可以采取多个突触前光刺激通过波分复用，并允许先进的光学处理通过电荷陷阱介导的光耦合。简单硅兼容设备中复杂神经形态功能的能力为涉及光子学的新型类脑计算架构铺平了道路。
2016-09-07 cs.ET physics.bio-ph physics.optics
TMS-Crossbars with Tactile Sensing
触觉感知的第一阶段是使用触觉传感器的数据采集，并且感测到的数据被传输到中央单元用于类脑计算。忆阻交叉杆被提议用作类脑计算中的突触，但是在传感器水平上的设备智能在文献中没有被研究。我们提出了晶体管忆阻器传感器（TMS）交叉杆的概念，包括传感器忆阻器交叉杆阵列配置在神经网络架构的输入层。提出了TMS交叉阵列的2种可能的单元配置：1晶体管1忆阻器1传感器（1 T1 M1 S）和2晶体管1忆阻器1传感器（2 T1 M1 S）。我们在基于模拟神经网络的盲文字符识别系统的实际设计中验证了所提出的TMS-crossbar。采用FLX-A501力传感器、TiO $_2$忆阻器和低功耗22 nm高k CMOS晶体管的等效电路，通过SPICE仿真验证了所提出的设计。所提出的模拟类脑计算系统提出了一种可扩展的解决方案，并有可能编码125个符号，与其他盲文字符识别系统相比，在文献中具有良好的精度。的TMS交叉阵列的模拟实现的好处是证实与二进制同行相比的精度，面积和功耗要求的结果。
2021-11-14 cs.ET cs.NE
