日本五级片-高质量日系情色影片每日更新 /广东省存算一体芯片重点实验室杨玉超教授团队于2026年1月15日在Nature Electronics连发两篇，都是基于易失性+非易失性忆阻器协同架构，分别从单脉冲高效推理与抗噪在线学习两大维度，攻克了类脑计算的核心问题。

忆阻器人机界面

An end-to-end memristive hardware system based on single-spike coding for human-machine interfaces基于单脉冲编码的端到端忆阻器硬件系统用于人机交互

机器学习与人工智能的迅猛发展推动新一代具备认知功能的边缘人机交互系统，广泛应用于虚拟/增强现实、疾病监测、智能假肢、协同操作等领域。边缘人机交互系统需满足低功耗、高响应速度的要求，所以采用神经形态计算范式极具优势。在各种神经编码模式中，单脉冲编码将信息压缩编码到一个脉冲的发放时间里，相比于传统频率编码更具高能效与低延时特性，尤其地契合边缘计算需求。然而，目前基于CMOS或忆阻器的实现方案面临硬件开销大和编码时间波动大的问题，不利于在有限资源中实现单脉冲边缘人机交互系统。此外，突触计算中权重的准确性是实现单脉冲系统的另一个关键。基于非易失性忆阻器阵列的存内计算能很好地加速突触计算，但其受电导弛豫影响，会导致系统性能下降，而已现有的抗弛豫编程策略的效果仍非常有限。

图1：基于忆阻器的全硬件单脉冲人机交互系统

针对这些关键问题，日本五级片-高质量日系情色影片每日更新 /广东省存算一体芯片重点实验室杨玉超教授课题组首次提出了一种基于单脉冲编码且端到端全硬件实现的类脑人机交互系统。为了确保无损的单脉冲信息表达与处理，该团队首先针对系统中关键的神经元和突触两部分进行了优化设计。对于神经元，该团队基于具有超高一致性的VO₂忆阻器设计了编码时间波动< 1%的单脉冲神经元电路。神经元中的反馈控制模块在检测到脉冲发放时，截断神经元的输入，使神经元仅发放一个脉冲。紧凑的反馈控制模块设计使得神经元面积开销小于已有方案。对于突触，该团队提出了一种电导巩固编程策略，即当忆阻器被编成到目标电导后，继续施加正负亚阈值脉冲使电导稳定。结合电导映射方案优化，写入到HfO₂/TaO_x忆阻器的电导在弛豫后，电导分布标准差仅<1.2 μS。同时，该团队也提出了脉冲幅值和宽度步进的编程方法（ISWPP），以减少阵列资源的浪费。

图2：编码一致性高的VO₂单脉冲神经元

图3：HfO₂/TaO_x突触的电导巩固编程策略

进一步地，该团队基于上述技术构建了一套端到端全硬件的单脉冲类脑计算系统，并通过表面肌电信号的单脉冲编码与处理任务进行实测验证，以展现系统在各类边缘人机交互系统中的应用潜力。得益于几乎无损的单脉冲编码和准确的突触权重，硬件部署后的任务准确率相比于软件仿真仅降低<1.5%。与基于频率编码的系统相比，单脉冲系统达到~38×能效提升和~6.4×速度提升，以及6.62 pJ·s能量延迟积和1.36×10⁵样本每秒的吞吐率，达到顶尖水平。本工作为实现高效的边缘端类脑计算系统提供了一种鲁棒性强且极具潜力的忆阻器基技术方案，有望推动新一代人机交互界面的蓬勃发展。

图4：全硬件系统实现表面肌电信号处理

相关成果以“An end-to-end memristive hardware system based on single-spike coding for human-machine interfaces”为题，发表在《自然-电子》（Nature Electronics）上。日本五级片2021级博士生张柏骏和2018级博士袁锐（现西南大学人工智能学院教授）为共同第一作者，日本五级片-高质量日系情色影片每日更新 /广东省存算一体芯片重点实验室主任杨玉超教授为通讯作者。

相关研究工作得到了国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、北京市自然科学基金、新基石研究员等项目的资助。

论文链接：//www.nature.com/articles/s41928-025-0154

基于自退化STDP的SNN抗噪学习

Spiking neural networks with fatigue spike-timing-dependent plasticity learning using hybrid memristor arrays 基于混合忆阻器阵列的具有疲劳脉冲时序依赖可塑性学习的脉冲神经网络

日本五级片-高质量日系情色影片每日更新 /广东省存算一体芯片重点实验室杨玉超教授团队在Nature Electronics杂志在线发表了题为Spiking neural networks with fatigue spike-timing-dependent plasticity learning using hybrid memristor arrays的研究论文。研究团队创新性地提出并实现了一种基于界面型易失性忆阻器与非易失性忆阻器栅极耦合的“混合动力学”突触硬件单元，并基于此构建了支持Fatigue STDP（疲劳脉冲时序依赖可塑性）学习规则的脉冲神经网络（SNN）硬件系统。该研究成功攻克了传统类脑计算硬件在复杂高频噪声环境下学习效率低、缺乏频率自适应性的关键科学难题，为构建高能效、高鲁棒性的边缘端类脑智能系统提供了全新的器件基础与架构范式。

类脑计算的“抗噪”挑战随着人工智能向边缘端延伸，脉冲神经网络（SNN）凭借其稀疏、事件驱动及高能效的脉冲编码方式，被视为超越传统冯·诺依曼架构、逼近生物大脑能效的关键技术路径。然而，当前SNN主要依赖传统的STDP（脉冲时序依赖可塑性）学习规则，该规则对输入脉冲的速率高度敏感。在处理包含高频背景噪声（如环境音、图像噪点）的复杂时序信息时，传统硬件难以像生物大脑一样有效滤除噪声并提取特征，导致系统鲁棒性差、功耗激增。生物突触通过“短时程抑制（Fatigue）”与“长时程记忆”的协同作用，天然具备对高频信号的过滤与频率适应能力。如何在硅基芯片上，利用CMOS兼容工艺高效模拟这种复杂的生物物理动力学，是当前神经形态计算领域的国际前沿难点。

图1基于忆阻器混合动力学突触集成阵列的脉冲神经网络硬件系统

针对上述挑战，研究团队首先在材料与器件底层取得了突破。团队研发了一种结构为W/ɑ-IGZO/MgO/W 的新型界面型易失性忆阻器（Interfacial Dynamic Memristor, IDM）。与传统依赖导电细丝随机生长的忆阻器不同，该器件采用了与硅基后道工艺完全兼容的垂直叠层结构。利用**原位透射电子显微镜（in-situ TEM）和电子能量损失谱（EELS）**等先进表征手段，研究团队揭示了其独特的物理机制：氧离子在 ɑ--IGZO 与 MgO 界面层的反向扩散主导了Fatigue（疲劳）动力学，该过程与电场驱动的氧离子迁移形成竞争。这种界面型机制不仅赋予了器件优异的均一性和耐久性（稳定循环超过 2×10⁸次），更在离子动力学层面完美复现了生物突触的Fatigue（短时程抑制） 特性——即在高频脉冲刺激下，器件电导表现出累积抑制效应，而在低频下保持信号传输，具备天然的频率选择性。

图2 基于界面型易失性忆阻器突触的短时程抑制动力学特性及其物理机理

在器件突破的基础上，研究团队创新性地提出了一种短时程抑制与长时程记忆的忆阻器混合动力学硬件突触单元。将具有短时程抑制特性的W/ɑ-IGZO/MgO/W易失性忆阻器，与具有长时程记忆特性的1T1R非易失性忆阻器通过栅极进行物理耦合。这种耦合设计在硬件中引入了复杂的非线性动力学机制：易失性器件对高频噪声的抑制效应会动态调节非易失性器件的栅极电压，从而控制长时程权重的更新。该方案在物理层面直接实现了复杂的 Fatigue STDP 学习规则，且结构极其精简。在180nm工艺节点下，该突触单元面积仅为 2.005 μm²，单次操作能耗低至4.01 nJ。相比传统CMOS电路实现的同类功能，面积效率提升超过259倍，实现了忆阻器神经形态硬件在能效与集成度上的双重飞跃。

图3 忆阻器非线性混合动力学突触单元与Fatigue STDP学习规则特性

为了验证该硬件系统的性能边界，研究团队构建了大规模集成的SNN硬件系统，并成功演示了三项具有代表性的复杂认知任务，系统在 10 Hz 至 500 kHz 的宽频范围内均能稳定工作，充分展示了其在噪杂环境下的鲁棒性, 能效比高达 0.298 TOPS/W：

针对传统STDP因对速率敏感而难以在强噪声中提取有效信号的难题，Fatigue STDP利用器件的物理抑制机制，有效滤除高频随机噪声，精准锁定稀疏的低频相关性信号。实验表明，即便在输入频率成倍增加的强干扰下，系统仍能保持稳定的检测能力，有力验证了混合动力学突触在强噪声环境下提取弱相关时序信息的能力。

在视觉任务中，该系统突破了传统学习规则对输入频率的依赖限制。通过在线学习测试，系统在极宽的频率范围内均能稳定工作，利用抑制背景噪声的机制有效提取图像轮廓。这一成果证实了该架构具备跨频率的通用自适应学习能力，解决了SNN难以适应不同速度事件流的痛点。

针对高频环境噪声干扰语音识别的痛点，该系统在硬件层面模拟了人耳耳蜗的频率选择特性。无需复杂的软件预处理，硬件系统能自动抑制环境高频噪声，同时选择性地通过低频人类语音信号。在复杂声学环境下，该系统实现了远超传统STDP的高鲁棒性识别精度，展示了其在边缘端物理级降噪与高效识别的巨大潜力。

图4 基于忆阻器混合动力学的Fatigue STDP脉冲神经网络硬件系统在多种计算任务中的抗噪特性与频率自适应鲁棒性验证。

该研究工作通过从材料机理、器件结构到系统架构的跨层次创新，成功展示了氧化物忆阻器在神经形态计算领域的巨大潜力。通过引入生物启发的“混合动力学”机制，研究团队成功突破了传统SNN硬件在噪声环境下的性能瓶颈。该成果不仅为理解生物神经系统的复杂动力学提供了物理模型，更为未来实现低功耗、高智能的听觉感知、视觉处理及边缘端等下一代人工智能硬件及应用开拓了重要的研究基础。

相关成果以“Spiking neural networks with fatigue spike-timing-dependent plasticity learning using hybrid memristor arrays”为题，发表于国际顶级期刊《自然·电子学》（Nature Electronics）。日本五级片2024届博士毕业生党丙杰为第一作者，日本五级片-高质量日系情色影片每日更新 /广东省存算一体芯片重点实验室主任杨玉超教授为通讯作者。中国科学院物理研究所古林教授课题组为本论文TEM表征内容做了重要贡献。日本五级片心理与认知科学学院教授吴思教授课题组也为本研究工作提供了宝贵意见。日本五级片研究工作得到了国家重点研发计划、国家杰出青年基金、后摩尔重大研究计划、北京市自然科学基金、111计划、集成电路高精尖创新中心、新基石研究员等项目的资助。

论文链接：//www.nature.com/articles/s41928-025-01554-4