近日，电子科学与技术学院（国家示范性微电子学院）郭东辉教授课题组在神经形态计算及忆阻器性能研究方面取得重要进展。研究成果以封面文章发表在国际期刊 NANO上(NANO: Brief Reports and Reviews.(2020) 15(11), 2030005 )，美国物理学家组织网(Phys.org)也于2020年11月30日报道了这一基础性创新成果，该成果报道同时被纳米科学新闻网(http://statnano.com/world-news/83614)等多个国际专业科技网站转载。
随着大数据时代的到来，以冯•诺依曼架构为基础的现代计算系统由于存在着连接处理器和存储单元的数据传输瓶颈(即存储墙问题)，已经显现出无法应对器件尺寸不断缩减和计算速度不断提升等关键技术需求的挑战。这就为基于生物神经元模型创建替代的计算体系结构提供了机会，其中模拟神经生物大脑结构的神经形态计算正是一种可替代计算架构。
人类大脑神经系统大约有千亿个神经元，并由神经元连接的突触组成，因此，构建模拟人脑的神经网络首先必须开发有效的神经元电路器件。其中，忆阻器是一种在纳米尺度下新发现的电子元器件，它具有可扩展性、存内处理和CMOS兼容性等特点，对促进神经网络硬件开发具有重大意义。忆阻器通常被称为“有记忆的电阻”，它会根据输入状态改变器件自身电阻，是一种能够记忆电流信息的电子元器件，不仅可以有效地减小器件尺寸，而且能够有效提高神经网络的处理速度。就像人类神经系统一样，基于忆阻器的神经网络是一种新的计算架构，可借助有记忆的器件实现并行计算。
目前基于冯•诺依曼架构实现各种神经网络算法及硬件系统的不稳定性或不确定性主要是由存储器件应用故障导致。这与生物神经系统运行情况恰恰相反，尽管也都存在噪声、非线性、可变性和不稳定性等状况，生物神经系统仍能运行良好。然而，人们目前还不清楚生物神经系统究竟是如何有效地解决这些故障问题。因此，神经形态计算的建模研究及其计算架构的电路器件开发是研究设计人工生物神经系统的关键，其中忆阻器存算机制与器件性能提升则首先需要研究攻克的难题。
郭东辉教授课题组多年来一直从事神经网络与集成电路交叉领域的课题研究，在神经网络模型算法研究与人工智能芯片开发及产业化应用方面已取得了系列成果，近年来主要开展神经网络类脑计算及神经形态器件开发研究。此次研究成果是在国家自然科学基金重点项目(No.61836010)经费支持下，由郭东辉教授指导博士后Mohanbabu Bharathi一起与相关的课题组合作研究取得的，主要贡献在于设计开发出一种基于Ag掺杂MnO3纳米结构且兼容CMOS工艺的新型非易失性双极开关存储器件，该器件具有良好的忆阻器特性(http://doi.org/10.1016/j.jallcom.2020.158035)。以该忆阻器类型的新器件为基础，课题组开展神经形态计算的电路设计研究，分析了忆阻器在神经形态计算中的机理作用，认为基于这种新型忆阻器的基本电子元器件设计神经网络类脑计算系统，不仅可以实现生物神经系统计算的容错功能，而且可以支持低成本低功耗生物神经系统克隆。
【新太阳城】
