文献类型：期刊文章

作　　者：任宽[1,2] 张珂嘉[1,3] 秦溪子[1,2] 任焕鑫[1,4] 朱守辉[1,2] 杨峰[1] 孙柏[2] 赵勇[1,5] 张勇[1]

Ren Kuan;Zhang Ke-Jia;Qin Xi-Zi;Ren Huan-Xin;Zhu Shou-Hui;Yang Feng;Sun Bai;Zhao Yong;Zhang Yong(Superconductivity and New Energy R&D Center,Key Laboratory of Magnetic Levitation Technologies and Maglev Trains,Ministry of Education,Southwest Jiaotong University,Chengdu 610031,China;School of Physical Science and Technology,Southwest Jiaotong University,Chengdu 610031,China;School of Electrical Engineering,Southwest Jiaotong University,Chengdu 610031,China;School of Material Science and Engineering,Southwest Jiaotong University,Chengdu 610031,China;College of Physics and Energy,Fujian Normal University,Fuzhou 350117,China)

机构地区：[1]西南交通大学超导与新能源研究开发中心,磁浮技术与磁浮列车教育部重点实验室,成都610031 [2]西南交通大学物理科学与技术学院,成都610031 [3]西南交通大学电气工程学院,成都610031 [4]西南交通大学材料科学与工程学院,成都610031 [5]福建师范大学物理与能源学院,福州350117

出　　处：《物理学报》

基　　金：国家高技术研究发展计划(批准号:2017YFE0301401)资助的课题.

年　　份：2021

卷　　号：70

期　　号：7

起止页码：15-32

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：人工智能的快速发展需要人工智能专用硬件的快速发展,受人脑存算一体、并行处理启发而构建的包含突触与神经元的神经形态计算架构,可以有效地降低人工智能中计算工作的能耗.记忆元件在神经形态计算的硬件实现中展现出巨大的应用价值;相比传统器件,用忆阻器构建突触、神经元能极大地降低计算能耗,然而在基于忆阻器构建的神经网络中,更新、读取等操作存在由忆阻电压电流造成的系统性能量损失.忆容器作为忆阻器衍生器件,被认为是实现低耗能神经网络的潜在器件,引起国内外研究者关注.本文综述了实物/仿真忆容器件及其在神经形态计算中的最新进展,主要包括目:前实物/仿真忆容器原理与特性,代表性的忆容突触、神经元及神经形态计算架构,并通过总结近年来忆容器研究所取得的成果,对当前该领域面临的挑战及未来忆容神经网络发展的重点进行总结与展望.

关 键 词：忆容器  忆容机理  突触 神经网络

分 类 号：TP183] TN60]