該研究用憶阻器加速機器學習應用，訓練所需能耗僅有基於數字CMOS方法的十萬分之一。這展示了憶阻器在低功耗或網路“邊緣”應用的發展潛力。

相關論文已發表於本月《自然·電子》期刊上，其題目為《利用馬爾可夫鏈蒙特卡羅抽樣的固有憶阻器可變性進行原位學習（In situ learning using intrinsic memristor variability via Markov chain Monte Carlo sampling）》。

一、模擬人腦神經元突觸的新興儲存技術

憶阻器是一種低功耗非易失性儲存技術，可模擬神經元的一些基本特性。

大約50年前，美國加州大學伯克利分校教授蔡少棠在1971年已經預言了這一技術的存在。

但直到2008年，惠普實驗室發表了基於TiO2的阻變儲存器（RRAM）器件的論文，憶阻器才被首次研發創造出來。

憶阻器本質上是電開關，在電源關閉後，能記住它們是開啟還是關閉的。和人腦神經元之間的突觸相似，其電導率的增強或減弱由過去多少電流經過決定。

理論上，憶阻器可以像神經元一樣，能同時計算和儲存資料。因此，研究人員認為，憶阻器可以大大減少傳統計算機在處理器和儲存器之間來回傳輸資料所損耗的能量和時間。

這種裝置也可以在神經網路中很好地工作。神經網路是一種使用合成突觸和神經元來模擬人類大腦學習過程的機器學習系統。

二、相較傳統數字CMOS器件，能耗降低5個數量級

憶阻器應用的一個挑戰是這些器件的隨機可變性。

這項研究的第一作者、法國格勒諾布林阿爾卑斯大學的電氣工程師托馬斯·達爾加蒂（Thomas Dalaty）說，憶阻器的電阻或導電性水平取決於連線兩個電極的少量原子，這使它們的電效能很難控制。

憶阻器是透過高電導開態和低電導關態之間迴圈程式設計的。通常，由於器件內部固有的隨機過程，憶阻器的電導率可能會在一個開啟狀態和下一個開啟狀態之間變化。

但如果憶阻器開關次數足夠多，每個憶阻器的電導率就會遵循“鐘形曲線”模式。

研究人員透露，他們可以實現一種被稱為馬爾科夫鏈蒙特卡羅（MCMC，Markov chain Monte Carlo）取樣演算法，來積極利用憶阻器這種可預測的行為，解決一些機器學習任務。

與傳統數字CMOS電子器件的效能相比，達爾加蒂團隊的憶阻陣列能耗足足降低了5個數量級（10萬倍）。

達爾加蒂解釋說，10萬倍的差異相當於“世界上最高的建築哈利法塔與一枚硬幣的高度之差”，這是因為憶阻器不需要在處理器和儲存器之間來回傳輸資料，節約了大量時間和能耗。

三、心率異常檢出率高於傳統非憶阻器電子技術

憶阻器的一個潛在應用是能夠在網路“邊緣”進行學習、調整和操作的裝置，如嵌入式系統、智慧家居裝置和物聯網（IoT）節點等低功耗裝置。達爾加蒂認為，憶阻器可以幫助邊緣學習裝置成為現實。

“當前邊緣學習是不可能的，因為使用現有硬體執行機器學習所需的能量，遠遠大於邊緣可用的能量。”他解釋說，“邊緣學習（使用憶阻器）……可能會開啟以前無法實現的全新應用領域。”

在研究中，利用憶阻器的隨機可變性，研究人員使用由16384個憶阻器組成的陣列實現馬爾科夫鏈蒙特卡羅取樣，從心電圖記錄中執行惡性組織識別和心律異常檢測任務。

實驗結果顯示，相比基於傳統非憶阻器電子技術的標準神經網路，這種新方法的檢出率更高。

該研究團隊還使用他們的陣列來解決診斷惡性乳腺組織樣本等影象識別任務。

未來，邊緣學習憶阻器的潛在應用可能包括植入醫療早期預警系統，該系統可以適應患者隨時間變化的狀態。

達爾加蒂說，他們正在尋找那些真正受能源限制而無法實現的邊緣應用。

在他看來，下一個大的挑戰是將將所有的功能整合到一個可在實驗室外部應用的單一整合晶片上，而這種晶片可能還需要幾年的時間才能問世。

結語：憶阻器領域發展迅速，研發競賽已經開始

據瞭解，自惠普憶阻器原型問世以來，國際研究迅速升溫，至今已有百餘所研究機構參與。不僅英、德、韓等國相繼加入，Intel、IBM等工業巨頭也在美國軍方支援下砸下重金。

雖然在我國由於學科交叉、產業和學術聯絡不緊密等原因發展較為落後。不過華中科技大學、清華、北大、國防科大和中科院微電子所等單位已經聯合申報了專案，並且已經有所成就。

國防科技大學電子科學與工程學院教授徐暉如此評價道：“憶阻器帶來的變革，將在世界電子科技領域引發一場基礎性的影響重大的競賽。”