北京大学杨玉超团队在Nature Electronics连发两篇论文，通过创新的易失性与非易失性忆阻器协同架构，解决了类脑计算在单脉冲高效推理与抗噪在线学习上的核心挑战，为低功耗边缘计算和智能硬件发展提供了新思路。
智能速览
“单脉冲编码”方案将系统功耗降低约38倍。
利用VO2忆阻器构建高一致性单脉冲神经元。
新系统可实现基于sEMG信号的运动识别与机器人控制。
混合忆阻器单元硬件实现了“疲劳STDP”学习规则。
突触疲劳机制有效提升了SNN的抗高频噪声干扰能力。
精华内容
这两项研究从推理与学习两个维度，协同优化了忆阻器硬件系统，揭示了其在类脑计算领域的巨大潜力。
单脉冲高效推理
当前忆阻器硬件系统普遍采用“频率编码”进行信息传递，但这种方式需要发射大量脉冲，导致能效较低。
为解决此问题，研究团队利用高一致性的二氧化钒（VO2）忆阻器构建了单脉冲神经元。该方案仅需首个脉冲的发射时间即可携带信息，配合忆阻器突触阵列，搭建了一套端到端的全硬件神经形态系统。
实测表明，该系统能够基于表面肌电信号（sEMG）精准识别运动意图并控制机器人，整体能耗相较传统频率编码方案降低了约38倍，显著提升了能效。
抗噪在线学习
传统脉冲神经网络（SNN）的STDP学习规则对高频输入噪声过于敏感，限制了其在复杂场景中的应用。
研究从生物大脑的突触疲劳机制中获得启发，设计了一种混合忆阻器突触单元。该单元将易失性动态忆阻器的短期疲劳特性与非易失性1T1R忆阻器结合，通过物理层面调控栅极电压，直接在硬件上实现了“疲劳STDP”学习规则。
这种新机制使系统在面对高频输入时，能通过动态调节信号传递效率来过滤噪声，从而大幅提升了在线学习的稳定性和抗干扰能力。
协同架构优势
两项研究的核心共同点在于创新性地采用了“易失性+非易失性”忆阻器的协同架构。易失性器件能够模拟生物神经元的动态过程，如脉冲发放与疲劳；而非易失性器件则负责长期存储突触权重。
这种分工合作的硬件设计，将动态计算与持久存储高效融合，既保证了系统的处理速度和能效，又赋予了其在线学习和适应环境的能力，为构建更智能、更节能的边缘计算设备铺平了道路。
这两项工作不仅展示了忆阻器在模拟大脑功能上的独特优势，也为类脑计算的硬件实现指明了新方向。未来，这种高效、抗噪的硬件系统能否在更多智能设备中得到应用，值得期待。
