Small Methods：基于模拟-数字共存的忆阻器实现精度和速度可调的图像识别方法

实现类脑型计算系统一直以来是人工智能领域重要的突破方向。神经突触是人类大脑的基本组成单元，其可塑性（即连接强度随信号刺激而发生动态变化）更是大脑学习和记忆功能的重要神经化学基础。因此构筑高精度仿生的神经突触器件是实现类脑功能的重要基础。忆阻器因其阻值可随流经电荷而发生动态变化，具有与生物突触相似的信号传输特征，被认为是发展人工神经突触的理想选择。

忆阻器的神经形态网络已被报道能够实现多种复杂的学习功能，其中模式识别作为人工智能的基础技术被广泛研究。获得学习精度和速度可调的模式识别能够大大促进神经形态系统适应不同的应用环境。

近日，东北师范大学物理学院徐海阳/王中强研究组基于氧化钨材料研制出了一种数字型和模拟型混合的忆阻器件，并以该器件为基础提出了一种实现学习精度和速度可调的模式识别的方法。研究发现，在经历形成过程（forming process）之前/后，器件呈现出模拟型/数字型阻变行为。导电原子力显微镜观察发现，模拟型阻变行为来源于电极与界面肖特基势垒的调值，而数字型阻变行为归因于薄膜内部导电通道的形成和断裂。由于模拟型忆阻器的STDP突触权重变化的波动性更小，导致其图像识别精度更高；而数字型忆阻器的STDP突触权重变化的变化率更大，导致其图像识别速度更块。更重要的是，通过在忆阻神经网络中混合使用数字型和模拟型器件，获得了精度和速度连续可调的图像识别过程。通过改变神经网络中模拟型（数字型）器件的比例，学习精度（速度）可以从75%提高到95%（提高两次）。

研究者相信，该研究为实现可控调制神经形态学习性能提供了一个可行方案，并促进类脑型形态计算的发展，为未来适应不同环境的需求提供了研究基础。相关工作发表在Small Methods(DOI: 10.1002/smtd.201900160)。