“存算一体”新范式：忆阻赋能类脑智能“芯”未来

人工智能的飞速发展对底层硬件提出了前所未有的挑战。海量非结构化数据的深度分析处理需要更高的计算速度和计算能效，传统冯·诺依曼架构在处理复杂AI任务时面临严重的“存储墙”瓶颈。相比传统计算机，人类大脑由于其皮质神经元间巨大的连接网络表现出高度的并行处理能力（图1）。因此，寻找新的高能效计算技术，通过硬件模拟人脑神经元的高效整合形式，将数据存储和处理的功能集中在相同的计算单元上，实现速度更快、能效更高、性能更好的数据处理是当前人工智能领域的重要研究方向。忆阻器由于其阻值由激励历史决定且连续变化的非易失性为模拟突触行为和实现人工神经网络提供了新的物理基础。器件具有操作功耗低、操作速度快、集成密度高等优势，可以最大程度降低能耗和集成电路的复杂性。

图1 受人类大脑启发的神经形态计算及应用示意图

“芯”材智造：多维度调控“记忆单元”

为了实现忆阻器在突触仿生及神经网络学习中的实际应用，其性能调控是未来几年的研究重点。王燕课题组聚焦“存算一体”的计算范式，致力于利用忆阻器这一新型纳米电子器件，构建高效、低功耗的类脑智能“芯”未来。课题组深入研究钙钛矿、MXene、有机材料等新型功能材料，通过异质结构筑、缺陷工程、光电协同调控等特色方法，实现了对忆阻器阻变特性、突触可塑性的精准调控。例如，利用光调控忆阻器的电导状态，模拟生物神经突触的学习和遗忘过程，为构建更接近人脑工作方式的神经形态芯片奠定了材料基础。这种“材料基因编辑”式的器件创新，是实现高性能“存算一体”芯片的关键。

图2 (a) 基于忆阻存储层和读出网络的存算一体系统，其中存储层通过内部动态将时间序列数据映射到高维特征空间，其状态分离性受驱动脉冲和忆阻特性调控；(b) 动态手写“HFUT”阵列识别与忆阻系统对Hénon映射的预测

“软硬协同”：算法与器件的完美融合

“存算一体”并非简单的器件堆叠，更在于算法与硬件的深度融合。课题组不仅专注于忆阻电子器件的研发，更积极探索其在适配多种神经网络算法（ANN, CNN, SNN, RC等）硬件加速方面的应用，通过设计特定的忆阻阵列结构和控制方案，直接在硬件层面实现神经网络的计算，打破了数据在存储单元和计算单元之间频繁移动的瓶颈，大幅提升了计算效率和能效。此外，课题组还在高效视觉信号处理方面展开研究，利用忆阻器件构建仿生视觉感知系统，例如模拟复眼结构进行实时目标检测，展现了“存算一体”在感知智能领域的巨大潜力。这种“软硬协同”的创新模式，是提升人工智能芯片性能的关键路径。

图3 (a) 仿生视觉感知系统；(b)具备光学信号处理的决策能力的机器车展示图

前景展望：赋能下一代智能终端与边缘计算

基于忆阻器的“存算一体”技术，被视为突破算力瓶颈、驱动下一代人工智能发展的核心引擎。课题组在该领域的前瞻性探索，不仅奠定了重要的理论基石，更将为增强现实/虚拟现实、可穿戴设备、智能机器人、边缘计算等新兴领域注入强大的创新动能。课题组在“芯”的道路上持续精进，在Nature Communications、Advanced Materials、Advanced Functional Materials、Chemical Reviews、Nano Letters等国际顶级期刊发表原创性论文20余篇，其中多篇为ESI高被引论文和封面/卷首论文，最高单篇引用超600次。依托主持的多项国家自然科学基金及省部级科研项目，课题组正稳步推进该前沿方向的研究，期冀为未来人工智能技术的发展贡献坚实力量。

图4 课题组发表文章的封面展示