由南安普敦大学领导的一项新研究表明，一种称为忆阻器的纳米级设备可用于驱动可模仿人类大脑的人造系统。人工神经网络(ANN)具有学习能力，可以执行常规计算系统难以完成的任务，例如模式识别，在线学习和分类。目前，由于缺乏有效的硬件突触，实际的ANN实施受到了阻碍。每个ANN都需要大量的关键组件。

在发表于《自然通讯》上的这项研究中，南安普敦研究小组通过实验证明了一种人工神经网络，该神经网络使用了忆阻器突触来支持复杂的学习规则，以便对嘈杂的输入数据进行可逆学习。

忆阻器是限制或调节电路中电流流动的电气组件，即使关闭电源，它也可以记住流过电路的电荷量并保留数据。

来自南安普敦大学电子和计算机科学的首席作者亚历克斯·塞伯博士说：“如果我们要构建能够模仿大脑功能和力量的人工系统，我们就需要使用数千亿甚至是数万亿的人工突触。 ，其中许多必须能够实现不同程度的复杂性的学习规则。虽然可以肯定地将当前可用的电子组件拼凑在一起以创建这样的突触，但是如果不设计新的定制“突触组件”，即使达到了可能甚至根本无法达到所需的功率和面积效率基准。

“忆阻器通过以极低的体积和极低的能源成本支持学习突触的许多基本特征(内存存储，在线学习，计算功能强大的学习规则实现，两端结构)，为实现这一目标提供了一条可能的途径。如果要使人造大脑成为现实，那么忆阻突触就必须成功。”

金属氧化物忆阻器阵列就像大脑中的突触一样，能够在概率性赢家通吃(WTA)网络中以无监督的方式学习和重新学习输入模式。这对于启用低功耗嵌入式处理器(物联网需要)非常有用，该处理器可以在不事先了解数据的情况下实时处理大数据。

共同作者，南安普敦大学纳米电子学读者和EPSRC研究员，电子与计算机科学研究员Themis Prodromakis博士说：“通常缺乏实用的演示工具来展示任何新技术，因为这些演示无法展示该技术在实际应用中的优势。 。我们的工作建立了这样的技术范式转移，证明了纳米级忆阻器确实可以用于构建用于实时处理大数据的硅内神经电路。现代社会的关键挑战。

“我们已经证明，这样的硬件平台可以在没有任何人工干预的情况下独立地适应其环境，并且在实时可靠地处理甚至是嘈杂的数据方面具有非常强的弹性。这种新型硬件可以在普适传感技术中找到各种各样的应用，以在恶劣或无法访问的环境中促进实时监控。实现物联网愿景的高度可取的能力。”