编辑推荐：
为解决反向传播训练应用于忆阻器交叉阵列时非线性及存储能耗问题，研究人员基于电荷控制忆阻器方程和忆阻器仿真器，利用人工蜂群算法优化电路参数。实现线性权重控制，误差低至2.33×10?4，跟踪率达 98.186%，为无记忆在线训练提供新方案。
在人工智能与神经科学交叉领域，基于忆阻器的神经形态硬件因模拟生物突触的独特优势成为研究热点。然而，忆阻器固有的非线性特性导致反向传播（Backpropagation）算法在硬件实现时面临关键挑战：权重更新需实时监测忆阻器阻值并存储数据，这不仅增加能耗，还限制了在线训练的效率。传统方案如桥式结构使用 4 个忆阻器实现正负权重，但硬件成本高昂；而依赖阈值电压的设计易受噪声干扰，难以兼顾精度与稳定性。因此，如何在无需实时存储阻值的前提下实现线性权重控制，成为突破忆阻器神经网络硬件化瓶颈的核心问题。
来自土耳其耶迪特佩大学（Yildiz Technical University）的研究团队针对这一难题展开研究。他们提出一种基于人工蜂群算法（Artificial Bee Colony Algorithm, ABC）的忆阻器突触电路优化方法，旨在通过算法确定电路参数，实现权重变化的线性控制。该研究成果发表在《Cognitive Neurodynamics》，为忆阻器在神经形态计算中的实际应用提供了关键技术支撑。
研究采用的核心技术方法包括：
- 忆阻器模型构建：基于文献中已有的电荷控制忆阻器方程（M1(q)=(133?1.5q)2和M2(q)=4900+240e0.08q）及通量控制忆阻器仿真器（Flux-Controlled Memristor Emulator），模拟忆阻器的非线性特性。
- 人工蜂群优化算法：通过 ABC 算法优化电路中无源元件参数（如电阻Ro、Rs等），目标是最小化权重变化的均方误差（Mean Square Error, MSE），同时确定忆阻器的最大线性控制范围。
- 硬件电路设计：构建包含前馈运算和反向传播训练模块的多层神经网络（Multilayer Neural Network, MNN）电路，采用忆阻器交叉阵列实现矩阵 - 向量乘法，并通过运算放大器实现正负权重的生成与求和。
研究结果
1. 电路参数优化与线性控制验证
通过 ABC 算法优化，确定了针对不同忆阻器模型的电路参数（表 1）。例如，对于M1模型，在脉冲持续时间 43.2-70.5 ms 范围内，权重变化与时间呈线性关系，均方误差为2.5×10?3；对于M2模型，误差低至4.8×10?5。实验结果表明，优化后的电路可实现灵敏度达 0.02 的权重控制，均方误差为2.33×10?4，软件测试精度跟踪率达 98.186%。
2. 在线训练性能评估
在鸢尾花数据集分类任务中，对比软件与硬件训练性能发现：使用M1模型的硬件电路跟踪软件测试精度的平均误差为 2.009%，M2模型则为 0.57%；实验用忆阻器仿真器的平均误差为 1.814%。硬件电路的训练损失（均方根误差，RMSE）与软件结果高度吻合，证明了算法的有效性。
3. 高频操作与噪声抑制
研究发现，忆阻器在高频输入下表现出线性特性，无需依赖阈值电压。通过施加高频正弦信号，电路可在高电压水平下工作，显著降低噪声敏感性。例如，当输入频率从 331 Hz 提升至 3.31 kHz 时，权重变化灵敏度从 0.2 提升至 0.02，而均方误差维持在10?4量级，验证了高频操作的稳定性。
结论与讨论
该研究通过人工蜂群算法实现了忆阻器突触电路的参数优化，首次在无需实时存储忆阻器阻值的情况下，实现了权重变化的线性控制。核心突破在于：
- 消除存储依赖：通过算法确定忆阻器的线性工作区间，避免了传统方案中对当前阻值的实时读取与存储，降低了硬件复杂度与能耗。
- 通用性提升：提出的优化流程适用于电荷控制和通量控制忆阻器，可兼容不同型号元件，为神经形态电路的标准化设计奠定基础。
- 性能优化：高频操作模式不仅提升了权重更新速度，还通过高电压输入增强了抗噪声能力，解决了低阈值电压设计的固有缺陷。
该成果为忆阻器在神经网络硬件中的实际应用开辟了新路径，特别是在边缘计算、实时信号处理等对能耗和速度敏感的场景中具有显著潜力。未来研究可进一步拓展至更复杂的神经网络架构，并探索与生物神经网络的动态适配机制，推动类脑计算技术的发展。
