某些任务鈥攕例如识别模式和语言鈥攁由人脑高效地重新执行，只需要传统的所谓“冯·诺依曼”计算机能量的万分之一。原因之一在于结构上的差异：在冯·诺依曼体系结构中，内存和处理器之间存在明显的分离，这需要不断移动大量数据。这是费时费力的鈥攖他是所谓的冯·诺依曼瓶颈。在大脑中，计算操作直接在数据存储器中进行，生物突触同时执行存储器和处理器的任务。
在Forschungszentrum J中眉在lich，科学家们已经研究了超过15年的特殊数据存储设备和组件，这些设备和组件可以具有与人脑中的突触相似的特性。所谓的忆阻存储设备，也称为忆阻器，被认为是非常快速和节能的，并且可以非常小地缩小到纳米范围。忆阻电池的功能基于一种非常特殊的效应：它们的电阻不是恒定的，但可以通过施加外部电压（理论上是连续的）来改变和重置。电阻的变化由氧离子的运动控制。如果这些金属氧化物从半导体金属氧化物层中移出，材料的导电性就会提高，电阻就会下降。电阻的这种变化可用于存储信息。
细胞中可能发生的过程是复杂的，并且根据材料系统而变化。来自J眉巫妖彼得Gr眉恩伯格研究所鈥擯罗夫。里贾娜·迪特曼、斯蒂芬·门泽尔博士和雷纳·瓦瑟教授鈥攈因此，ave在一篇详细的综述文章《金属氧化物中的纳米离子忆阻现象：价态变化机制》中汇编了他们的研究结果。他们详细解释了忆阻器中的各种物理和化学效应，并阐明了这些效应对忆阻电池开关特性及其可靠性的影响。
“如果你看看目前在神经形态忆阻器电路领域的研究活动，它们通常是基于材料优化的经验方法，”Peter Gr的主管Rainer Waser说眉恩伯格研究所。“我们的评论文章的目标是为研究人员提供一些可以使用的东西，以实现洞察驱动的材料优化。”作者团队在这篇大约200页的文章上工作了十年，自然不得不不断吸收知识的进步。
“记忆细胞作为人工突触所需的类似功能不是正常情况。通常情况下，由于离子运动和焦耳热的相互放大，电阻会突然升高，”Peter Gr眉恩伯格研究所。“在我们的综述文章中，我们为研究人员提供了必要的理解，即如何改变细胞的动力学，以实现模拟操作模式。”
Peter Gr建模活动负责人斯蒂芬·门泽尔（Stephan Menzel）说：“你一次又一次地看到，研究小组用完全不考虑细胞高动态的模型来模拟忆阻器电路。这些电路永远不会工作。”眉nberg研究所开发了功能强大的紧凑型模型，现已进入公共领域。“在我们的评论文章中，我们提供了对正确使用紧凑型模型非常有帮助的基础知识。”
神经形态计算路线图
2022年5月出版的《神经形态计算与工程路线图》展示了神经形态计算如何帮助全球降低IT的巨大能耗。在这本书中，来自彼得·格林的研究人员眉nberg研究所（PGI-7）与该领域的顶尖专家一起，汇编了各种技术可能性、计算方法、学习算法和应用领域。
根据这项研究，人工智能领域的应用，如模式识别或语音识别，可能会以一种特殊的方式受益于神经形态硬件的使用。这是因为它们是基于鈥攎与经典的数值计算操作相比，uch更为重要鈥攐n大量数据的移动。忆阻单元可以直接在内存中处理这些庞大的数据集，而无需在处理器和内存之间来回传输。这可能会将人工神经网络的能量效率降低几个数量级。
忆阻细胞也可以相互连接，形成高密度矩阵，使神经网络能够进行局部学习。因此，这种所谓的边缘计算将计算从数据中心转移到工厂、车辆或需要护理的人的家中。因此，监控和控制过程或启动救援措施可以在不通过云发送数据的情况下完成。
“这同时实现了两件事：节省能源，同时，个人数据和与安全相关的数据仍留在现场，”迪特曼教授说，他作为编辑在创建路线图过程中发挥了关键作用。
相关研究发表在《物理学和神经形态计算与工程进展》上。