一种称为忆阻器的低功耗，非易失性技术给机器学习带来了新的希望。根据研究，忆阻器能有效地解决AI医疗诊断问题，这是一个令人鼓舞的发展，它暗示了这项技术在其他领域的应用可能，尤其是低功耗或网络“边缘”应用的潜力。研究人员说，这可能是因为忆阻器人工模仿了神经元的某些基本特性。

　　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年前就曾预测过这种技术的存在，但直到十多年前才首次创建同类产品。这些组件，也称为电阻性随机存取存储器（RRAM）设备，本质上是电开关，可以记住它们在电源关闭后是打开还是关闭。因此，它们类似于突触（人脑神经元之间的链接），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，忆阻器可以像神经元一样，能够同时计算和存储数据。因此，研究人员提出，忆阻器可以潜在地大大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的一个挑战是这些器件中发现的随机性。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Thomas Dalgaty,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，因此开发者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与另一个状态之间变化。

　　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”的规律，Thomas Dalgaty,说。科学家们透露，他们可以实施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（又称为“边缘”）为设备提供学习，调整和操作的能力，还可以给低功耗设备，例如嵌入式系统，智能家居设备和IoT节点带来帮助。Dalgaty说，的确，忆阻器可以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功耗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。”

　　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，从而报告了比基于常规非忆阻器电子产品的标准神经网络更好的检测率。该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。

　　潜在的未来边缘学习忆阻器应用可能包括植入的医疗预警系统，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，这些应用可能由于能源（限制）而不存在。”

　　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。