A recipe for creating ideal hybrid memristive-CMOS neuromorphic computing systems
Bielefeld University（比勒费尔德大学）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
忆阻器件技术的发展已经达到了成熟的水平，使得能够设计复杂且大规模的混合忆阻-CMOS神经处理系统。这些系统为实现用于机器学习和数据分析问题的新型存内计算架构提供了有前途的解决方案。我们认为，它们也是集成神经形态电子电路的理想构建模块，适用于超低功耗大脑启发的感觉处理系统，从而为始终在线的边缘计算和物联网（IoT）应用提供创新解决方案。在这里，我们提出了一个基于设计策略和计算原理的方法来创建这样的系统，这些设计策略和计算原理受到哺乳动物大脑中使用的设计策略和计算原理的启发。我们列举的规格和性能的忆阻器件需要支持始终在线学习的类脑计算系统，并尽量减少其功耗。最后，我们讨论了在什么情况下，这样的神经形态系统可以补充传统的处理，并强调了利用的忆阻器件和CMOS电路的物理连接到他们的重要性。
2019-12-11 cond-mat.mtrl-sci cs.ET cs.LG
Stochastic models of memristive behavior
本文研究了忆阻器件中记忆与随机信号处理的相互作用，提出了同时表现动态迟滞和随机共振的单一忆阻器件模型，并探讨了相关噪声的协同效应及脏迟滞圆整现象。
2024-07-31 cs.ET physics.class-ph
Can One Design a Series of Brains for Neuromorphic Computing to solve complex inverse problems
在这篇立场论文中，我们提出了一个讨论类脑计算，特别是学习/训练算法，设计一系列的大脑与不同的记忆值，以解决复杂的不适定逆问题的基础上有限元（FE）方法。首先，讨论了类脑计算，重点讨论了属于类脑计算范畴的一类忆阻电路计算。其次，在文献[1]研究复杂忆阻电路的复杂动力学的基础上，设计了一种对忆阻电路进行训练的方法和途径，使忆阻值得到最优解。
2019-02-02 cs.ET
Hardware-Algorithm Co-Design for Hyperdimensional Computing Based on Memristive System-on-Chip
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出了一种基于忆阻系统级芯片的超维计算硬件-算法协同设计方法，通过利用忆阻交叉bar阵列的随机性与面向硬件的编码技术，实现了在边缘设备上的高效能AI应用。
2025-12-23 cs.ET
Accurate Emulation of Memristive Crossbar Arrays for In-Memory Computing
存内计算是新兴的非冯·诺依曼计算范例，其中通过利用存储器设备的物理属性在存储器中执行某些计算任务。诸如相变存储器（PCM）之类的忆阻器件（其中根据它们的电导水平来存储信息）特别适合于存内计算。特别地，忆阻器件在以交叉开关配置组织时可以用于通过利用基尔霍夫电路定律来执行矩阵-向量乘法运算。为了探索这种存内计算核在诸如深度学习的应用中以及用于系统级架构探索的可行性，非常期望开发捕获忆阻器件的关键物理属性的精确硬件仿真器。在这里，我们提出了一个这样的PCM仿真器，并通过实验验证它使用的PCM原型芯片的测量。此外，我们提出了一个应用程序的仿真器的神经网络推理，我们的仿真器可以捕捉到约400,000 PCM设备的电导演变非常好。
2020-04-07 cs.ET
Memristive Memory Enhancement by Device Miniaturization for Neuromorphic Computing
忆阻器的面积足迹是基于材料的神经形态计算和大规模架构集成中的关键考虑因素。最广泛研究的忆阻器件中的电子传输是由细丝介导的，这对它们在架构实现中的可扩展性构成了挑战。在这里，我们提出了一个令人信服的替代忆阻器件，并证明面积缩小导致忆阻记忆窗口的增强，同时保持模拟行为，与预期相反。我们的器件设计直接集成在半导体Nb-SrTiO $_3$上，可以利用边缘的电场效应，提高较小器件的动态范围。我们的研究结果证实了使用扫描透射电子显微镜，在不同的电阻状态下，揭示了其物理范围的影响所施加的电场的界面层的开关的微观性质。Nb-SrTiO $_3$忆阻器能够满足硬件和软件要求，同时显著增强忆阻功能，使其成为CMOS之外的非冯·诺依曼计算的有力竞争者。
2023-01-09 cond-mat.mtrl-sci cs.ET physics.app-ph
Theory of heterogeneous circuits with stochastic memristive devices
本文提出基于 Chapman–Kolmogorov 方程的异构随机忆阻电路建模方法，并用二元忆阻器—电容串联电路验证其可获得解析解。
2021-01-29 cond-mat.mes-hall cs.ET
Stochastic behaviour of an interface-based memristive device
多年来，已经提出了大量的仿真模型来模拟忆阻器件的电行为。这些模型要么基于复杂的数学公式，不考虑负责实际开关动态的物理和化学过程，要么基于多物理空间分辨方法，包括现实世界忆阻器件的固有随机行为，但计算非常昂贵。与现有的模型相比，我们提出了一个计算成本低和强大的空间1D模型模拟接口型忆阻器件。该模型有效地结合了实验中观察到的随机行为，可以很容易地转移到电路仿真框架。的离子传输，负责的电阻开关行为，建模使用动力学云在一个细胞计划。计算得到的电流-电压特性，使用该模型显示出良好的协议与实验结果。
2021-10-31 cond-mat.mtrl-sci cs.ET
Hierarchical Composition of Memristive Networks for Real-Time Computing
材料科学的进步已经导致了忆阻器件的自组装网络的物理实例化，并通过储备池计算证明了它们的计算能力。储备池计算是一种利用集体系统动力学进行实时的【形】计算的方法。一个动态系统，称为水库，是激发与随时间变化的信号和观察其状态被用来重建所需的输出信号。然而，这种单片组件由于信号相互依赖性和所得到的相关读出而限制了计算能力。在这里，我们介绍了一种方法，分层组成一组互连的忆阻网络到一个更大的水库。我们使用信号放大和恢复来降低储层状态相关性，这改善了从输入信号中的特征提取。使用相同数量的输出信号，这种异构小型网络的分层组成在波形生成任务上比单片忆阻网络至少好20%。在NARMA-10任务中，与具有S形神经元的均匀水库相比，我们将误差减少了2倍，而单个忆阻网络无法产生正确的结果。分层组合是用这种新型纳米级硬件解决更复杂任务的关键。
2015-04-26 cond-mat.dis-nn cs.ET cs.NE
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
Machine Learning Approach for Device-Circuit Co-Optimization of Stochastic-Memristive-Device-Based Boltzmann Machine
玻尔兹曼机的有效“温度”可以动态“冷却”，提供了一个随机神经网络实现模拟退火，这是一个重要的元启发式解决组合或全局优化问题，在机器智能和运筹学的广泛应用。然而，具有“冷却”能力的玻尔兹曼随机元件的硬件实现从未在单个半导体器件内实现。在这里，我们展示了一个新的忆阻器件的概念，基于二维材料异质结构，使这个关键的随机元素在玻尔兹曼机。模拟退火中的动态冷却效应可以通过具有S形阈值分布的静电偏置在该多端忆阻器件中仿真。我们还表明，基于机器学习的方法是有效的基于模拟退火的随机忆阻器器件的玻尔兹曼机的器件-电路协同设计。可调随机忆阻器的实验演示与基于随机忆阻器的神经网络电路的基于机器学习的设备电路协同优化方法相结合，为随机神经网络的高效硬件实现开辟了一条道路，并应用于广泛的电子领域和计算学科。
2019-05-14 cs.ET
Memristive, Spintronic, and 2D-Materials-Based Devices to Improve and Complement Computing Hardware
在数据驱动的经济中，几乎所有行业都受益于信息技术的进步-强大的计算系统对于快速技术进步至关重要。然而，如果我们不解决当前计算能力需求与现有技术所能提供的能力之间的差异，这一进展可能会放缓。提高能源效率的关键限制是与冯·诺依曼架构相关的数据传输成本的过度增长以及互补金属氧化物半导体（CMOS）技术（例如晶体管）的基本限制。在这篇透视文章中，我们讨论了三种可能在未来计算系统中发挥重要作用的技术：忆阻电子学，自旋电子学和基于2D材料的电子学。我们提出了如何这些可能会改变传统的数字计算机，并有助于采用新的范例，如类脑计算。
2022-07-01 cs.ET
Preprocessing Methods for Memristive Reservoir Computing for Image Recognition
针对忆阻储备池计算性能依赖预处理方法与储备池规模且缺乏相关量化评估的问题，本文系统对比多种预处理方法对准确率与能耗的影响，提出基于奇偶校验的预处理方法，可在器件数适度增加的前提下提升2-6%的准确率，为提升系统效率与可扩展性提供支撑。
2025-07-31 cs.AR 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
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
3D Vertical Dual-Layer Oxide Memristive Devices for Neuromorphic Computing
制备了具有水平W电极、垂直Pd电极和在水平电极侧壁上形成的WOx开关层的双层阻变器件，并对其进行了表征。该器件表现出良好的模拟开关特性和在两层形成的器件的电特性的小失配。三维（3D）垂直器件结构允许更高的存储密度和更大的连接性用于神经形态计算应用。我们展示了垂直器件表现出类似于平面器件的增强和凹陷特性，并且可以独立编程，层间没有串扰。
2014-04-04 cond-mat.other cs.ET
A Robust Learning Rule for Soft-Bounded Memristive Synapses Competitive with Supervised Learning in Standard Spiking Neural Networks
Groningen Cognitive Systems and Materials Center（格罗宁根认知系统与材料中心）；University of Groningen（格罗宁根大学）
忆阻器件是一类电路元件，作为未来脑启发计算的构建块显示出很大的希望。在理论神经科学中，有一种很有影响力的观点认为大脑是一个功能计算装置：给定输入信号，大脑应用一个功能，以产生新的内部状态和运动输出。因此，能够近似函数是未来大脑研究的基础，也是获得更高效计算机器的基础。在这项工作中，我们采用了一种新的监督学习算法-基于控制掺杂铒钛酸锶忆阻突触-学习非平凡的多维函数。通过在脉冲神经网络模拟器Nengo中实现我们的方法，我们表明我们至少能够匹配使用理想的线性突触时获得的性能，并且-这样做-这种忆阻器件可以用作计算基底，以实现更高效的大脑启发计算。
2022-04-12 cs.ET cs.LG cs.NE
Memristive Computing for Efficient Inference on Resource Constrained Devices
University of Central Florida（中佛罗里达大学）；Sundrape Inc.（Sundrape公司）；Nanjing University（南京大学）
深度学习的出现带来了许多应用，这些应用改变了它所应用的研究领域的面貌。然而，随着流行度的增加，经典深度神经网络的复杂性多年来也在增加。结果，这在具有空间和时间限制的设备上的部署期间导致相当大的问题。在这项工作中，我们对非易失性存储器的当前进展以及电阻式RAM存储器（特别是忆阻器）的使用如何有助于推进深度学习的研究状况进行了回顾。换句话说，我们希望提出一种思想，即忆阻技术领域的进步可以极大地影响和影响边缘设备上的深度学习推理。
2022-08-21 cs.CV cs.ET
Implementation of binary stochastic STDP learning using chalcogenide-based memristive devices
纳米级忆阻器件的出现鼓励了许多不同的研究领域在多种应用中利用它们。其中一个被提议的应用是在生物启发的神经形态系统中实现突触连接。随着神经元和突触数量的增加，正在开发大规模神经形态硬件平台，这在在线学习能力方面具有关键瓶颈。尖峰时间依赖可塑性（Spike-timing-dependent plasticity，STDP）是一种受到生物学启发的广泛使用的学习机制，它根据突触前和突触后尖峰之间的时间相关性来更新突触权重。在这项工作中，我们实验证明，二进制随机STDP学习可以从忆阻器时，在设备的两侧施加适当的脉冲。
2021-03-01 cs.ET cs.SY eess.SY
A neuromorphic systems approach to in-memory computing with non-ideal memristive devices: From mitigation to exploitation
忆阻器件代表了用于构建神经形态电子系统的有前途的技术。除了它们的紧凑性和非易失性特征之外，它们的特征在于计算相关的物理性质，例如状态依赖性、非线性电导变化以及它们的开关阈值和电导值的内在可变性，这使得它们成为用于模拟真实突触的生物物理学的理想设备。在本文中，我们提出了一个脉冲神经网络架构，支持使用忆阻器件作为突触元件，并提出了混合信号模拟-数字接口电路，减轻其电导值的变化的影响，并利用其在开关阈值的变化，实现随机学习。通过使用在互补推挽机制中配置并与电流模式归一化器电路接口的忆阻器件对来减轻器件可变性的影响。随机学习机制是通过将突触权重的期望变化映射到从忆阻器件的固有随机行为导出的相应切换概率来获得的。我们展示了CMOS电路的特点，并提出了一个标准的神经网络手写数字分类基准的MNIST数据集的基础上的架构。我们使用行为级脉冲神经网络模拟评估在此基准上提出的方法的性能，显示由电流模式归一化器电路产生的电导变化的减少的效果，以及作为每个突触中使用的忆阻器件的数量的函数的性能的增加。
2018-07-13 cs.ET
NbO2-based memristive neurons for burst-based perceptron
基于脉冲学习的类脑计算在降低计算能力方面具有广阔的前景。由两个局部有源忆阻器组成的忆阻神经元被用来模拟生物神经元的动力学行为。在这项工作中，基于NbO2的忆阻神经元的动态工作条件和它们的转换之间的尖峰和爆发的边界进行了全面的研究。此外，分析了突发的基本机制，并证明了在每个突发期间的尖峰数量的可控性。最后，提出了在感知器神经网络中，利用每个突发周期内的脉冲数来编码信息，实现模式分类和信息传输。研究结果为神经电阻在脉冲神经网络中的实际应用提供了一种很有前途的方法。
2020-04-10 cs.ET eess.SP
Nonlinear behavior of memristive devices for hardware security primitives and neuromorphic computing systems
本研究针对忆阻器件非线性行为，采用考虑电容与惯性效应的物理启发紧凑模型仿真界面型RRAM，匹配实验数据，揭示频率升高下的特性转变，并提出将频谱作为器件指纹的硬件安全应用方案。
2024-03-27 cond-mat.mes-hall cs.ET
Memristive chaotic circuit for information processing through time
针对人脑与人工计算系统在实时感官信息处理效率上的差距，本文提出一种基于忆阻器的紧凑型混沌电路，将其纳入计算架构实现时间维度信息处理，通过单节点储备池计算验证了非线性分类及数据流处理能力。
2025-04-18 cs.ET
Multi-terminal memristive devices enabling tunable synaptic plasticity in neuromorphic hardware: a mini-review
基于脉冲神经网络的神经形态计算有可能显著提高人工智能的在线学习能力和能量效率，特别是对于边缘计算。计算神经科学的最新进展已经证明了异突触可塑性对网络活动调节和记忆的重要性。因此，在硬件中实现异突触可塑性是非常可取的，但重要的材料和工程挑战仍然存在，需要在神经形态设备方面取得突破。在这篇简短的综述中，我们概述了具有可调突触可塑性的硅基多端忆阻器件的最新进展，从而在硬件中实现异突触可塑性。与工业互补金属氧化物半导体（CMOS）技术的设备的可扩展性和兼容性进行了讨论。
2021-09-17 cs.ET physics.app-ph
Semi-Trained Memristive Crossbar Computing Engine with In-Situ Learning Accelerator
设备上的智能最近受到了极大的关注，因为它提供了本地数据处理和低功耗。在这项研究中，提出了一种用于集成在交叉结构中的阈值电流忆阻器的器件上训练电路。此外，映射到完全训练和半训练交叉的突触权重的替代方法进行了研究。在半训练交叉开关中，忆阻器的受限子集被调谐，并且忆阻器的剩余子集不被编程。与完全编程的交叉开关相比，这转化为最佳的资源利用率和功耗。半训练交叉结构适用于广泛的一类神经网络。使用极端学习机进行系统级验证，用于二项式和多项式分类。当在IBM 65 nm节点中实现时，单个4x 4层网络的总功率估计为~ 42.16uW，面积估计为26.48um x 22.35um。
2018-08-22 cs.ET
Simulation platform for pattern recognition based on reservoir computing with memristor networks
忆阻系统和设备潜在地可用于实现应用于模式识别的储备池计算（RC）系统。然而，忆阻RC系统的计算能力取决于诸如系统架构和忆阻元件的物理特性等交织的因素，这使得识别系统性能的关键因素变得复杂。在这里，我们开发了一个模拟平台，RC与忆阻器设备网络，它可以测试不同的系统设计的性能改进。数值模拟表明，忆阻网络的RC系统可以产生高的计算性能相媲美的国家的最先进的方法在三个时间序列分类任务。我们证明，通过适当地设置网络结构、忆阻器的非线性和前/后处理，可以实现设备到设备可变性下的出色和鲁棒的计算，这增加了使用不可靠的组件设备进行可靠计算的潜力。我们的研究结果有助于建立一个设计指南的忆阻水库实现节能机器学习硬件。
2022-06-19 cs.ET cs.NE
Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing
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
Compact and Energy-Efficient Memristive Spiking Neuromorphic Accelerator for Bio-inspired Interception Tasks
The University of Texas at Arlington（阿灵顿得克萨斯大学）；South Dakota State University（南达科他州立大学）
提出一种基于1T1R交叉阵列和分离输入/膜节点的IF神经元的忆阻神经形态加速器，通过电路级优化和存内计算实现高能效、高精度的仿生拦截任务推理。
2026-05-29 cs.ET
Cellular Memristive-Output Reservoir (CMOR)
储备池计算是机器学习的一个子领域，其中复杂系统或“储备池”使用复杂的内部动力学将输入非线性地投影到更高维空间中。然后，单个可训练输出层检查这个高维空间中与执行给定任务（例如分类）相关的特征。最初，水库往往是从递归神经网络构建，但水库从许多不同的元素构建已被证明。基本元胞自动机（CA）是一个这样的系统，最近已被证明是一个强大的和有效的基础，可以用来构建一个水库。为了研究具有完全集成的可编程读出层的单片储备池计算电路的可行性和性能，我们设计、制造并测试了全定制的储备池计算电路。这种设计，细胞忆阻输出水库（CMOR），是在65纳米CMOS技术与集成前端的线（FEOL）电阻随机存取存储器（ReRAM）用于构建一个可训练的输出层。我们详细介绍了该系统的设计，并提出了电气测试结果验证其操作和能力，进行非线性分类。
2019-06-14 cs.ET
AutoGMap: Learning to Map Large-scale Sparse Graphs on Memristive Crossbars
Zhejiang Lab（之江实验室）；University of Electronic Science and Technology of China（电子科技大学）；Australian AI Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）；Chengdu University（成都大学）；Hamad Bin Khalifa University（哈迈德·本·哈利法大学）；Texas A & M University at Qatar（得克萨斯农工大学卡塔尔分校）
本文提出AutoGMap，用基于LSTM与REINFORCE的序列决策模型动态生成稀疏感知的忆阻交叉阵列映射，显著降低大规模图矩阵映射面积。
2023-03-03 cs.ET cs.LG
Integrated Security Mechanisms for Weight Protection in Memristive Crossbar Arrays
针对忆阻器交叉阵列存储权重易被恶意提取的安全问题，提出密钥置换器和水印保护列两种集成安全机制，可在低硬件开销下实现权重保护与所有权验证。
2025-10-01 cs.AR cs.CR cs.ET
An Instruction Set Architecture for IMPLY-based Memristive Processing-in-Array
Technische Universität Wien (TU Wien)（维也纳工业大学）；Heidelberg University（海德堡大学）
针对超低功耗边缘计算，提出一种基于IMPLY状态逻辑的通用忆阻微控制器架构，设计RV32I衍生指令集及新型寻址方案，仿真表明能效优于传统CMOS微控制器。
2026-06-26 cs.AR cs.ET
A memristive deep belief neural network based on silicon synapses
针对传统忆阻器良率低、电导态有限的问题，研究人员用CMOS工艺制备硅浮栅忆阻突触，构建忆阻深度置信神经网络，在MNIST数据集上实现97.05%的识别准确率，能效远高于GPU。
2023-07-21 cond-mat.dis-nn cond-mat.mtrl-sci cs.ET
Computing with volatile memristors: An application of non-pinched hysteresis
在内存中计算的可能性与易失性忆阻器件，即忆阻器需要一个电源来维持他们的记忆，证明。我们采用了一种滞后石墨烯基场发射结构作为挥发性忆阻器的原型，其特征在于非箍缩的磁滞回线。该结构的忆阻模型被开发并用于模拟实现诸如物质蕴涵的存储器内计算门的多态电路。识别实现有用逻辑函数的参数空间的特定区域。我们的研究结果是适用于其他实现的易失性存储器设备。
2016-11-24 cond-mat.mes-hall cs.ET
Memristive Learning Cellular Automata: Theory and Applications
忆阻器是一种新型的非易失性器件，能够在同一个物理位置上实现存储和处理能力的结合。其纳米尺度的尺寸和低功耗使得能够进一步设计各种纳米电子处理电路和相应的计算架构，如存储器中的neuromorhpic，非常规，利用忆阻器的优点的可能方法之一是将它们与元胞自动机（CA）相结合.CA构成了一种著名的非冯·诺依曼计算体系结构，该体系结构基于简单的相同单元形成N维网格的局部互连。这些局部互连允许全局和复杂现象的出现。我们提出了CA原始定义与基于忆阻器的实现相结合的混合，并且更具体地，我们专注于忆阻学习细胞自动机（MLCA），其也具有使用简单的相同互连单元并利用忆阻器器件固有可变性的学习能力。通过一系列SPICE仿真，证明了该算法的鲁棒性和有效性。
2020-03-16 cs.ET
A memristive nanoparticle/organic hybrid synapstor for neuro-inspired computing
一个大的努力致力于研究新的计算范式与创新的纳米技术，应该补充和/或提出替代解决方案的经典冯诺依曼/CMOS协会。在众多的命题中，尖峰神经网络（SNN）似乎是一个有效的候选者。(i)在功能方面，使用相对尖峰定时进行信息编码的SNN被认为是最有效的，可以从大脑中获得灵感，以便快速有效地处理识别或分类中复杂任务的信息。(ii)在技术方面，SNN可能能够从纳米器件中获益最多，因为SNN架构本质上可以容忍有缺陷的器件和性能变化。在这里，我们展示了尖峰定时依赖可塑性（STDP），大脑中的一种基本和原始的学习功能，具有一类新的突触（突触晶体管），称为纳米粒子有机记忆场效应晶体管（NOMFET）。我们表明，这种学习功能是由一个简单的混合材料制成的自组装的金纳米粒子和有机半导体薄膜。除了模仿生物突触之外，我们还展示了所应用的尖峰的形状如何定制STDP学习功能。此外，实验和建模表明，该突触器是一个忆阻器件。最后，这些突触成功地耦合到一个CMOS平台上模拟的前和后突触神经元，并在通常的设备模拟器上开发的行为宏模型。
2011-12-14 cond-mat.dis-nn cond-mat.mes-hall cond-mat.mtrl-sci
Memristive oscillatory circuits for resolution of NP-complete logic puzzles: Sudoku case
忆阻器网络能够进行低功率和大规模的并行处理和信息存储。此外，它们还能够应用于大量针对移动边缘设备和低功耗计算的智能数据分析应用程序。除了存储器和传统的计算架构之外，忆阻器在电路中被广泛研究，旨在提高智能，适合以功率和面积有效的方式解决复杂问题，提供可行的解决方案，这些解决方案通常也来自活生物体的生物学原理。在本文中，忆阻电路利用振荡网络的动力学是非常流行的解决方案和NP完全逻辑难题，如著名的“数独”。更具体地，所提出的电路设计方法允许适当地使用振荡网络中的互连的优点和忆阻器的切换动态，从而产生逻辑可解的难题实例。所提出的电路的复杂性降低，其增加的可扩展性构成了其对以前的方法和广泛提出的基于SPICE的模拟的主要优点提供了一个明确的证明上述吸引人的特性的概念。
2020-02-15 cs.ET
MemTorch: An Open-source Simulation Framework for Memristive Deep Learning Systems
本文提出MemTorch开源框架，通过集成PyTorch实现大规模忆阻深度学习系统仿真，重点解决器件非理想特性与外围电路协同建模问题，以提升系统准确度与可靠性。
2022-02-18 cs.ET
RESPARC: A Reconfigurable and Energy-Efficient Architecture with Memristive Crossbars for Deep Spiking Neural Networks
使用后CMOS技术的类脑计算由于其解决冯-诺依曼计算系统中的存储器和功率瓶颈的有前途的能力而获得极大的普及。在本文中，我们提出了一种可重构和节能的架构，内置于忆阻交叉阵列（MCA）的深度脉冲神经网络（SNN）。先前的工作主要集中在交叉开关上SNN的设备和电路实现上。CNOARC通过提出一个完整的SNN加速系统及其后续分析来推进这一点。EMARC利用MCA的能量效率进行内积计算，并实现了分层可重构设计，以可扩展的方式将数据流模式纳入SNN。我们在不同SNN上评估了所提出的架构，复杂度范围从2k-230 k神经元和1.2M-5.5M突触。在这些网络上的仿真结果表明，与基线数字CMOS架构相比，对于多层感知器（深度卷积网络），CAMARC实现了500倍（15倍）的能效和300倍（60倍）的吞吐量。此外，MARC是一种技术感知架构，它将给定的SNN拓扑映射到给定交叉开关技术的最优化MCA大小。
2017-02-20 cs.ET cs.NE
Memristive Ising Circuits
提出由带记忆随机二值电阻构成的周期驱动忆阻电路，可实现相邻自旋间铁磁与反铁磁相互作用共存，并由状态概率提取参数、重构 Ising Hamiltonian。
2022-10-09 cond-mat.mes-hall cond-mat.stat-mech cs.ET
Memristive Devices for Computation-In-Memory
CMOS技术及其不断扩大的规模使电子产品和计算机成为全球几乎每个人都可以使用和负担得起的产品;此外，它们还为广泛的社会问题和应用提供了解决方案。然而，今天，该技术和计算机体系结构都面临着严峻的挑战/障碍，使得它们不能提供具有严格约束的所需计算能力。这激发了对基于新器件技术的新型架构的探索需求;不仅要维持技术扩展的经济效益，还要为要求极高的新兴应用开发解决方案。本文介绍了两个基于内存计算的加速器，利用新兴的忆阻器件，他们是忆阻矢量处理器和RRAM自动机处理器。这两个加速器的初步结果显示，与今天的架构和设计相比，在延迟，能量和面积方面有显着的改善。
2019-07-18 cs.ET
8T SRAM Cell as a Multi-bit Dot Product Engine for Beyond von-Neumann Computing
大规模数字计算几乎完全依赖于冯-诺依曼体系结构，该体系结构包括用于存储和计算的单独单元。从存储器单元到计算核心的能量昂贵的数据传输导致众所周知的冯-诺依曼瓶颈。各种方法，旨在绕过冯诺依曼瓶颈正在广泛探讨的文献。新兴的非易失性忆阻技术已被证明在以原位方式计算模拟点积方面非常有效。点积的忆阻模拟计算导致比数字向量存储器中逐位布尔计算快得多的操作。然而，关于大规模制造的挑战加上忆阻器的有限耐久性已经阻碍了基于忆阻的计算解决方案的快速商业化。在这项工作中，我们表明，标准的8晶体管（8T）的数字SRAM阵列可以配置为一个类似于模拟的内存中的多位点积引擎。通过向8T SRAM阵列的读端口施加适当的模拟电压，并感测输出电流，可以实现近似模数点积引擎。我们提出了两种不同的配置，使多位点积计算在8T SRAM单元阵列，而不修改标准的位单元结构。由于我们的方案保留了标准的8T-SRAM阵列结构，因此它可以用作具有标准读写指令的存储元件，也可以用作按需模拟点积加速器。
2018-10-16 cs.ET
TDPP: Two-Dimensional Permutation-Based Protection of Memristive Deep Neural Networks
针对忆阻DNN权重窃取攻击，提出基于行和列二维置换的TDPP保护方法，在保持高安全性的同时，显著降低面积和功耗开销。
2023-10-10 cs.CR cs.ET
NeuroHammer: Inducing Bit-Flips in Memristive Crossbar Memories
新兴的非易失性存储器（NVM）技术在能源效率、延迟和诸如存储器中计算的特征方面提供了独特的优势。因此，新兴的NVM技术被认为是下一代神经形态平台中计算和存储的理想基底。需要对这些技术的基本可靠性和安全性问题进行评估。在本文中，我们提出了\emph{NeuroHammer}，这是由存储单元之间的热串扰引起的ReRAM交叉开关中的安全威胁。我们证明，通过系统地写入相邻的存储单元，可以在交叉开关中的ReRAM器件中故意诱导位翻转。仿真流程的开发，以评估NeuroHammer和物理参数对攻击的有效性的影响。最后，我们讨论了可能的攻击场景的背景下的安全问题。
2021-12-06 cs.ET
Spoken Digit Classification by In-Materio Reservoir Computing with Neuromorphic Atomic Switch Networks
包括碘化银（AgI）结的原子开关网络（Atomic Switch Networks，简称AgI）被用作物理储备池计算（RC）的神经形态衬底，AgI结是一种以前未被开发为高度互连的纳米线网络内的功能忆阻元件的材料。这类新的基于ASN的设备已被物理表征并用于对语音数字音频数据进行分类，证明了基于衬底的设备架构的实用性，其中可以利用固有的材料特性来执行材料内计算。这项工作表明，在时间分析的自由口语数字数据（FSDD）的分类精度高。这些结果扩展了可用于生产功能性纳米线网络的可行忆阻材料的类别，并支持基于ASN的设备作为涉及记忆、适应和学习的类脑计算应用的独特硬件平台的实用性。
2021-03-23 cond-mat.dis-nn cond-mat.mes-hall cond-mat.mtrl-sci
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
Memcomputing and Swarm Intelligence
我们探讨memcomputing，即计算与内存，和群体智能算法之间的关系。特别是，我们可以设计忆阻网络来解决短路径优化问题，也可以解决蚁群算法。通过采用适当的忆阻元件，可以证明记忆计算和蚁群优化方法之间几乎一一对应。然而，与随机多步蚁群优化相比，忆阻网络具有在一个确定性步骤中找到解决方案的能力。这一结果铺平了道路，纳米级硬件实现的几个群体智能算法，目前正在探索，从调度问题的机器人。
2014-08-28 cond-mat.mes-hall cs.ET cs.NE
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
Nonideality-Aware Training for Accurate and Robust Low-Power Memristive Neural Networks
近年来，人工神经网络在许多认知任务中得到了迅速发展。这些结构的不断增长的计算需求已经促成了对新颖技术和范例的期望，包括基于忆阻器的硬件加速器。基于忆阻交叉开关和模拟数据处理的解决方案有望提高整体能效。然而，忆阻器的非理想性会导致神经网络准确性的降低，而减轻这些负面影响的尝试通常会引入设计权衡，例如功率和可靠性之间的权衡。在这项工作中，我们设计了非理想性感知训练的忆阻器为基础的神经网络能够处理最常见的设备非理想性。我们证明了使用表现出高$I$非线性的高电阻器件的可行性-通过分析实验数据和采用非理想感知训练，我们估计忆阻矢量矩阵乘法器的能量效率提高了三个数量级（$0.715\ \mathrm{TOPs}^{-1}\mathrm{W}^{-1}$到$381\ \mathrm{TOPs}^{-1}\mathrm{W}^{-1}$），同时保持相似的精度。我们表明，关联的参数神经网络与个别忆阻器允许偏置这些设备向导电状态通过正则化相应的优化问题，而修改验证程序导致更可靠的估计性能。我们证明了我们的方法的普遍性和鲁棒性时，处理范围广泛的非理想性。
2022-05-05 cs.ET
CNN-Based Automated Parameter Extraction Framework for Modeling Memristive Devices
Department of Electrical and Electronic Engineering, Bangladesh University of Engineering and Technology（电气与电子工程系，孟加拉国工程与技术大学）
针对RRAM紧凑模型参数提取需手动调优、耗时且适应性差的问题，提出基于CNN生成初始参数估计并结合启发式优化块的自动化框架，可快速提取Stanford RRAM模型参数，在多指标测试中实现低误差，提升RRAM建模效率与稳健性。
2025-11-11 cs.AI cs.CV cs.ET
Highly-Secure Physically Unclonable Cryptographic Primitives Using Nonlinear Conductance and Analog State Tuning in Memristive Crossbar Arrays
快速扩展的硬件固有安全原语旨在解决信息技术时代大规模互联世界的重大安全挑战。这种原语的主要思想是在电子硬件中采用实例特定的过程引起的变化作为加密数据的源。在新兴技术中，忆阻器件由于其操作中的潜在随机性而为安全应用提供了独特的机会。在这里，我们报告了一个强大的，密集的，和可重构的物理不可克隆功能原语的基础上的三维无源金属氧化物忆阻交叉开关电路的原型，通过积极利用工艺引起的变化，在设备的非线性I-V和模拟调谐。我们首先表征安全基元的基本构建块的安全指标的基础上，与单片集成的10 × 10 250纳米半间距忆阻交叉开关电路的两层堆栈。实验结果表明，在总共约697，000个64位响应中的6，000个随机样本上测量的平均均匀性和扩散性接近理想的50%，两个指标的标准偏差为5%。通过重新调整同一交叉杆内交叉点器件的电导，在较小样本上评估的唯一性也接近理想的50% +/-1%，而在+/-20%电源变化下，在30天窗口内测量的最小位出错率（即可靠性的倒数）为~ 1.5% +/-1%。然后，我们利用基本块的多个实例来展示具有10位隐藏挑战生成的物理不可克隆功能原语，该挑战生成编码超过10^19个挑战响应对，并且具有可比的均匀性、扩散性和位出错率。
2016-11-23 cond-mat.other cs.CR cs.ET
An All-Memristor Deep Spiking Neural Computing System: A Step Towards Realizing the Low Power,Stochastic Brain
深度“模拟人工神经网络”（ANN）以非常高的精度执行复杂的分类问题。然而，它们依赖于巨大的功率来执行计算，掩盖了准确性的好处。另一方面，生物大脑比这些网络强大得多，消耗的能量也少了几个数量级，这表明我们存在一些概念上的不匹配。考虑到生物神经元使用能量高效的尖峰序列进行通信，并且行为是不确定的，将这些效应纳入深度人工神经网络可能会使我们朝着更现实的神经元迈出几步。在这项工作中，我们提出了如何利用纳米级电阻器件的固有随机性来模拟尖峰神经元的功能，该神经元可以被纳入深度随机脉冲神经网络（SNN）。在算法层面上，我们提出了如何修改训练，以将ANN转换为SNN，同时支持这些设备提供的随机激活函数。我们设计电路架构，将随机忆阻神经元与执行突触权重功能的忆阻交叉杆结合在一起。我们测试了所提出的用于图像分类的全忆阻器深度随机SNN，并且在结合电路和设备相关的非理想性之后，观察到ANN基线的准确度仅下降约1%。我们见证了该网络对某些变化的鲁棒性，并且消耗的能量比CMOS对应物少约6.4倍。
2018-04-13 cs.ET
Memristor-based Synaptic Networks and Logical Operations Using In-Situ Computing
我们提出了基于忆阻器件的新的计算构建块。这些块可以用于实现监督或无监督学习模块。这是使用交叉点架构来实现的，交叉点架构是纳米级双端子忆阻器件的有效阵列实现。基于这些块和实验验证的SPICE宏模型的忆阻器，我们证明，首先，尖峰定时依赖的可塑性（STDP）可以实现由一个单一的忆阻器设备，其次，基于忆阻器的竞争性赫布学习通过STDP使用$1\times 1000$突触网络。这是通过根据突触前和突触后尖峰之间的定时差来调整忆阻器的电导值（权重）来实现的。这些实现方式由于忆阻器的特性而具有许多缺点，诸如记忆衰减、作为所施加的电压/电流的函数的高度非线性切换行为以及功能均匀性。这些缺点可以通过利用混合门来解决，该混合门可以与仿生计算的模拟行为结合使用。本文中的数字实现使用忆阻器的原位计算能力。
2011-08-21 cond-mat.mtrl-sci cs.ET
End-to-End Memristive HTM System for Pattern Recognition and Sequence Prediction
从流输入中学习和预测的神经形态系统在普适边缘计算及其应用中具有重要的前景。在本文中，提出了一个神经形态系统，处理的时空信息的边缘。从理论上讲，该系统是基于分层的时间存储器，固有地提供在线学习，弹性，和容错。在架构上，它是一个完全定制的混合信号设计，具有底层数字通信方案和模拟计算模块。因此，所提出的系统具有可重构性，实时处理，低功耗，低延迟处理。所提出的架构是基准预测现实世界的流数据。该网络在混合信号系统上的平均绝对百分比误差比其基线算法模型低1.129倍。这种减少可以归因于设备的非理想性和突触连接的概率形成。我们证明了Hebbian学习和网络稀疏性的综合效应在延长整个网络寿命方面也起着重要作用。我们还说明，该系统提供了3.46倍的延迟和77.02倍的功耗降低相比，在相同的技术节点实现的自定义CMOS数字设计。通过采用特定的低功耗技术，如时钟门控，我们观察到161.37倍的功耗降低。
2020-06-22 cs.ET cs.NE
