一种称为忆阻器的低功耗，非易失性技术显示了作为机器学习基础的最初希望。
根据新的研究，忆阻器有效地解决了AI医疗诊断问题，这是一个令人鼓舞的发展，它暗示了其他领域的其他应用，尤其是低功耗或网络“边缘”应用。
研究人员说，这可能是因为忆阻器人为地模仿了神经元的某些基本特性中国机械网okmao.com。
忆阻器或存储电阻器是电子电路的一种构建模块，科学家大约在50年前就曾预测过，但直到十多年前才首次创建。
这些组件也称为电阻性随机存取存储器（RRAM）设备，本质上是电气开关，可以记住它们在关闭电源后是打开还是关闭。
这样，它们就像突触（人脑中神经元之间的链接）一样，其电导率根据过去经过多少电荷而增强或减弱。
从理论上讲，忆阻器可以像能够计算和存储数据的人工神经元一样起作用。
因此，研究人员建议忆阻器可以潜在地减少传统计算机在处理器和内存之间来回穿梭数据的能量和时间。
这些设备还可以在神经网络（神经网络）中很好地工作， 神经网络是使用合成形式的突触和神经元来模拟人脑学习过程的机器学习系统。
开发用于忆阻器的应用程序的一个挑战是在这些器件中发现随机性。
研究的第一作者，法国格勒诺布尔阿尔卑斯大学的电气工程师托马斯·达尔加蒂说，忆阻器中看到的电阻或电导率的水平取决于连接两个电极的少数原子，因此从一开始就很难控制它们的电性能。
现在，Dalgaty和他的同事们已经开发出一种方法来利用这种随机性来进行机器学习应用程序。他们本月在《自然电子》杂志上详细介绍了他们的发现。
通过在高电导通状态和低电导通状态之间循环来对忆阻器进行编程。
通常，由于器件内部固有的随机过程，在忆阻器中看到的电导率水平可能会在一个导通状态和下一个导通状态之间变化。
但是，如果忆阻器循环开关足够多，则每个忆阻器的电导率都会遵循“钟形曲线”的模式，Dalgaty说。
科学家们透露，他们可以实现一种称为马尔可夫链蒙特卡洛采样的算法，该算法可以积极利用这种可预测的行为来解决许多机器学习任务。
与传统的数字CMOS电子产品的性能相比，研究人员的忆阻器阵列实现了惊人的五个数量级的能量降低。
Dalgaty说，这是因为忆阻器不需要在处理器和内存之间来回拖曳数据。就上下文而言，100,000倍的差异相当于“世界最高建筑哈利法塔和一枚硬币之间的高度差”。
对于忆阻器而言，一个潜在的令人兴奋的应用是能够在网络的远端（又称“边缘”）进行学习，调整和操作的设备， 有时会驻留低功耗设备，例如嵌入式系统，智能家居设备和IoT节点。Dalgaty说，的确，忆阻器可以帮助使边缘学习设备成为现实。
他解释说：“当前无法进行边缘学习，因为使用现有硬件执行机器学习所需的能量远远大于边缘上可用的能量。”
“（使用忆阻器）边缘学习...可能会打开以前无法实现的全新应用程序域。”
例如，研究人员使用由16384个忆阻器组成的阵列来检测心电图记录中的心律异常，报告的检测率要比基于传统的非忆阻器电子设备的标准神经网络更好。
团队还使用他们的阵列来解决图像识别任务，例如诊断恶性乳腺组织样本。
未来边缘学习记忆忆阻器的潜在应用可能包括植入式医疗预警系统，该系统可以随着患者状态的变化而适应患者的状态。
Dalgaty说：“我们正在寻求这些真正受能源限制的边缘应用程序，这些应用程序可能由于能量[限制]而可能不存在或尚不存在。”
Dalgaty说，下一个重大挑战是“将所有这些功能整合到一个可以在实验室外部应用的集成芯片上。” 他说，这样的芯片可能要花费几年的时间。