本文综述深度学习、电晕电阻存储器（Memristors）和尖峰神经网络等人工智能领域的新技术。文章重点讨论了依赖非冯・诺依曼体系结构的计算和定制学习和推理算法的必要性，并展望了未来神经形态的计算系统。

Apr, 2020

近期，关于储层计算的研究取得了重大突破，需要具有能够实现储层物理实现的动力学的模拟装置，以实现更快的信息处理速度、更低的能量消耗和较小的面积占用。通过电压相关动态的离子通道基础箱体，我们展示了只需一次数据编码并通过一个包含具有不同动力学特性的多个箱体的储层层的数据输入方法的可行性，并通过实验证明了这种方法的预测和分类准确率高于传统方法。

Oct, 2023

本文研究神经形态工程的应用，探讨图像处理中的视觉任务、异性扩散和神经形态视觉传感器的角色；介绍 memristors 在执行图像分割和实现人工视觉系统中的应用，讨论硬件加速器的使用，和异步信号传输协议，同时探讨计算机视觉进展可能直接受益于非易失性记忆器技术的案例。

Aug, 2022

通过硬件软件的协同设计，我们提出了基于随机电阻存储器的深度极端点学习机，实现了高效统一的点集分析，比传统系统节省了大量能源并降低了训练成本，为各种数据模态和任务提供了节能高效的边缘人工智能解决方案。

Dec, 2023

我们提出了一种软硬件协同优化的系统方法，用于从稀疏输入中进行信号重建，软件层面上使用神经场通过神经网络隐式表示信号，并使用低秩分解和结构化剪枝进一步压缩；硬件层面上，设计了一种基于可变电阻存储器的计算内存（CIM）平台，其中包括高斯编码器（GE）和多层感知器处理引擎（PE）。此工作推进了以人工智能为驱动的信号恢复技术，并为未来高效稳健的医疗人工智能和三维视觉应用铺平了道路。

Apr, 2024

本文探讨了基于 neuromemristive 系统 (NMSs) 的无监督聚类学习，以及如何利用简单的忆阻器交叉堆栈结构和学习规则来实现与 MATLAB 的 k-means 聚类相当的性能。

Jan, 2016

本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

Jan, 2019

基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务，具有快速、低功耗计算潜力，适用于边缘系统如传感器、机器人控制器和医疗设备等，并可以进行大规模制造和研究新兴学习方法。

Nov, 2023

本研究基于 memristive neuron 和 memristive synapse 提出了一个完全基于 memristor 的脉冲神经网络 (MSNN)，并采用无监督的 Spiking Time Dependent Plasticity (STDP) 学习规则。我们通过电路模拟验证了 MSNN 的学习效果，并实现了两种类型的 MSNN 结构：一种是生物学合理的记忆检索系统，另一种是用于多类别分类。

Mar, 2022

利用学习到学习框架，本文成功识别出膜电位的行为特征和最优超参数，这些特征与以前的研究相吻合，这表明 memristive reservoirs 可以模拟尖峰神经元的膜电位行为，并且可以作为尖峰电流和连续过程之间的接口。

Jun, 2023