33、忆阻器基神经形态计算与人工神经网络在计算机视觉和人工智能中的应用

忆阻器基神经形态计算与人工神经网络在计算机视觉和人工智能中的应用

1. 传统计算架构的困境与神经形态计算的兴起

传统数字处理器所采用的冯·诺伊曼架构，普遍存在数据传输速率瓶颈以及能源消耗效率低下的问题。过去半个世纪，计算机技术的显著进步建立在冯·诺伊曼 20 世纪 40 年代的架构之上。随着集成电路的发展，戈登·摩尔在 20 世纪 60 年代预测，集成电路中的晶体管数量每 18 - 24 个月会翻倍，这使得计算系统变得更加高效。然而，当前半导体制造技术已接近摩尔定律的极限，因此人们开始探索新的设备和处理范式，以推动未来处理系统的发展。

与此同时，20 世纪 60 年代，一些研究人员开始利用新开发的电子技术对神经网络系统进行建模。对人类大脑结构和基本原理的深入理解，催生了一种与传统计算机架构截然不同且性能更优的处理范式，神经形态计算领域应运而生。卡弗·米德在该领域首次使用“神经形态工程”一词，指的是创建与生物对应物功能相似的微电子信息处理系统。

为了提高速度和能源效率，现代工程师不仅试图模仿生物大脑的高度并行架构，还在研究内存计算架构。此外，为应对摩尔定律的限制，出现了许多超越传统互补金属氧化物半导体（CMOS）技术的方法，其中纳米级忆阻器是最有前途的工具之一。忆阻器由蔡少棠在 20 世纪 70 年代提出理论，并于 2008 年由惠普实验室进行了实验演示。

2. 忆阻器：神经形态计算的关键组件

忆阻器是“记忆 + 电阻器”的缩写，是一类独特的两端非易失性存储设备，其电阻与历史施加的电压和电流密切相关。它由莱昂·蔡在 1971 年首次概念化为与电阻器、电容器和电感器并列的第四个基本电路元件。忆阻器通常由夹在两个金属电极之间的薄金属氧化物层组