一種稱為憶阻器的低功耗，非易失性技術給機器學習帶來了新的希望。根據研究，憶阻器能有效地解決AI醫療診斷問題，這是一個令人鼓舞的發展，它暗示了這項技術在其他領域的應用可能，尤其是低功耗或網絡“邊緣”應用的潛力。研究人員說，這可能是因為憶阻器人工模仿了神經元的某些基本特性。

　　憶阻器或存儲電阻器是電子電路的一種構建模塊，科學家大約在50年前就曾預測過這種技術的存在，但直到十多年前才首次創建同類產品。這些組件，也稱為電阻性隨機存取存儲器（RRAM）設備，本質上是電開關，可以記住它們在電源關閉后是打開還是關閉。因此，它們類似于突觸（人腦神經元之間的鏈接），其電導率根據過去經過多少電荷而增強或減弱。

　　從理論上講，憶阻器可以像神經元一樣，能夠同時計算和存儲數據。因此，研究人員提出，憶阻器可以潛在地大大減少傳統計算機在處理器和內存之間來回穿梭數據的能量和時間。這些設備還可以在神經網絡（神經網絡）中很好地工作。神經網絡是使用合成形式的突觸和神經元來模擬人腦學習過程的機器學習系統。

　　開發用于憶阻器的應用的一個挑戰是這些器件中發現的隨機性。研究的第一作者，法國格勒諾布爾阿爾卑斯大學的電氣工程師Thomas Dalgaty,說，憶阻器中看到的電阻或電導率的水平取決于連接兩個電極的少數原子，因此開發者從一開始就很難控制它們的電性能。

　　現在，Dalgaty和他的同事們已經開發出一種方法來利用這種隨機性來進行機器學習應用程序。他們本月在《自然電子》雜志上詳細介紹了他們的發現。

　　通過在高電導通狀態和低電導通狀態之間循環來對憶阻器進行編程。通常，由于器件內部固有的隨機過程，在憶阻器中看到的電導率水平可能會在一個導通狀態與另一個狀態之間變化。

　　但是，如果憶阻器循環開關足夠多，則每個憶阻器的電導率都會遵循“鐘形曲線”的規律，Thomas Dalgaty,說?？茖W家們透露，他們可以實施一種稱為馬爾可夫鏈蒙特卡洛采樣的算法，該算法可以積極利用這種可預測的行為來解決許多機器學習任務。

　　與傳統的數字CMOS電子產品的性能相比，研究人員的憶阻器陣列實現了驚人的五個數量級的能量降低。Dalgaty說，這是因為憶阻器不需要在處理器和內存之間來回拖曳數據。就上下文而言，100,000倍的差異相當于“世界最高建筑哈利法塔和一枚硬幣之間的高度差”。

　　對于憶阻器而言，一個潛在的令人興奮的應用是能夠在網絡的遠端（又稱為“邊緣”）為設備提供學習，調整和操作的能力，還可以給低功耗設備，例如嵌入式系統，智能家居設備和IoT節點帶來幫助。Dalgaty說，的確，憶阻器可以使邊緣學習設備成為現實。

　　他解釋說：“當前無法進行邊緣學習，因為使用現有硬件執行機器學習所需的功耗遠遠大于邊緣上可用的能量。（使用憶阻器）邊緣學習……可能會打開以前無法實現的全新應用?！?/p>

　　例如，研究人員使用由16384個憶阻器組成的陣列來檢測心電圖記錄中的心律異常，從而報告了比基于常規非憶阻器電子產品的標準神經網絡更好的檢測率。該團隊還使用他們的陣列來解決圖像識別任務，例如診斷惡性乳腺組織樣本。

　　潛在的未來邊緣學習憶阻器應用可能包括植入的醫療預警系統，該系統可以隨著患者狀態的變化而適應患者的狀態。Dalgaty說：“我們正在尋求這些真正受能源限制的邊緣應用，這些應用可能由于能源（限制）而不存在?！?/p>

　　Dalgaty說，下一個重大挑戰是“將所有這些功能整合到一個可以在實驗室外部應用的集成芯片上。” 他說，這樣的芯片可能要花費幾年的時間。