研究发现忆阻器可为人工智能提供有力支持

英国南安普敦大学的一项新研究发现，一种纳米级忆阻器可以为模拟人脑的人工智能系统提供有力支持。

人工神经网络具有学习能力并可完成传统计算机很难执行的任务，如模式识别、在线学习与分类。但目前的实际情况是人工神经网络的应用因缺乏高效的硬件突触而发展受阻，突触是每个人工神经网络必不可少的、需求量很大的一个关键组件。

南安普敦大学研究组在《自然·通讯》中通过实验展示了一个人工神经网络，该网络使用的忆阻性突触支持复杂学习规则，可对嘈杂的输入数据进行可逆学习。忆阻器是限制或调节电路中电流流动的电子元件，即使未通电也能记住流经忆阻器的电荷量并保存数据。

研究人员表示，若想构建能够模拟大脑功能的人工系统，需要数千亿计甚至数万亿计人工神经突触，其中许多突触须能学习各种难度的规则。虽然目前可通过拼凑电子元件得到这样的突触，但如果不设计或定制新型的突触组件，很难达到所需的功率和面积效率基准值。

忆阻器支持学习型突触的许多基本功能（记忆存储、在线学习、学习规则的实现、二端结构），且体积紧凑、耗电量极低，从而为实现目标提供了一条可能的途径。若想让人工大脑成为现实，就必须开发出忆阻性突触。

与大脑中的突触一样，金属氧化物忆阻器阵列能够在无人监视的情况下通过一个“赢家通吃”（WTA）概率型网络学习和重新学习输入模式，这一点对于低能耗嵌入式处理器（物联网所必需的）而言十分重要，其可以在不具备任何先验知识的情况下处理实时大数据。

该研究表明，忆阻器能够在无任何人为干预的情况下独立适应其所在的环境，并且在实时处理噪声数据时也展示了很高的弹性和可靠性。这种新型硬件可广泛应用于各种普适传感技术，可为在恶劣或无法进入的环境下进行实时监测提供动力支持；研究还指出，忆阻器的发展能够使物联网的发展愿景成为可能。