北京大學的Yuchao Yang及其同事在發表在《智能系統》上的新論文中表明，可以使用憶阻器構建類似于人的存儲器結構，憶阻器被認為是電阻，電容器和電感器之外的第四種無源電路元件。

半導體行業的長期夢想是在硅芯片上構建類似于大腦的計算系統。近來，神經形態計算已被提出作為在硬件上模擬神經元和突觸的工作模式的一種手段，并被譽為大數據和人工智能時代的下一代計算范例。

但是，構建神經形態計算系統的關鍵挑戰是重新創建大腦中基于內容的存儲結構，這與傳統計算機中基于地址的存儲有很大不同。

由于其內部的工作動態，憶阻器可以響應于外部電刺激而改變其電阻值，與生物突觸具有相似性。在他們的研究中，研究小組使用離散的吸引器網絡來實現并模擬了基于憶阻器的物理系統，該吸引器網絡能夠實現關聯記憶，這是一種典型的基于內容的記憶現象，可以記憶看似無關的項目之間的關系，或者精確地從損壞的狀態中召回整個信息信息。

所需的信息在網絡的吸引者處進行編碼，并且通過在稱為Oja Rule的在線學習方法中引入神經元之間的競爭與合作，與以前的方法相比，系統的存儲容量可以增加10倍，并且具有更好的魯棒性和設備缺陷的容忍度。

通過將離散的吸引子神經網絡擴展為連續的吸引子神經網絡（CANN），首次使基于憶阻器的工作記憶成為可能，這證明了動態存儲和跟蹤外部刺激的潛力。研究人員還系統地研究了設備特性對網絡性能的影響，發現來自不同來源的噪聲會對CANN維護動態信息的能力產生不同的影響。雖然讀取噪聲轉移了網絡活動的中心，但是寫入噪聲會使網絡活動的中心分裂了。

這項工作代表了基于憶阻器的神經形態系統的重大進步，該系統可以接近生物學上合理的神經網絡，并且可以為真正智能的硬件系統鋪平道路。展望未來，該團隊希望將連續吸引子神經網絡與物理憶阻器交叉開關上的現有監督學習系統結合起來。

特色圖片：基于憶阻器的物理系統用于實現基于離散吸引子網絡的關聯內存，從而實現基于內容的存儲。通過將其擴展到連續的吸引子神經網絡，可以基于憶阻器實現工作記憶。發現憶阻器陣列中的寫入和讀取噪聲對網絡維護動態信息的能力有不同的影響。