综述：基于电阻随机存取记忆体的人工神经网络在类脑神经形态计算中的应用

这篇综述系统阐述了电阻随机存取记忆体（RRAM）在突破传统存储器尺寸限制和冯·诺依曼瓶颈中的潜力，重点分析了其通过导电细丝调控实现阻变切换（RS）和多级存储（MLC）的特性，及其在模拟生物突触可塑性（STP/LTP/STDP/SRDP）和构建三维（3D）忆阻器阵列人工神经网络（ANN）中的应用，为高效能神经形态计算提供了材料学与硬件集成解决方案。

　　

设计原理
电阻随机存取记忆体（RRAM）采用金属-绝缘体-金属（MIM）三明治结构，其功能层在电场刺激下通过导电细丝（CFs）的形成与断裂实现阻变特性。材料选择涵盖过渡金属氧化物（如HfO_x
、TaO_x
）、硫族化合物和有机聚合物，其中氧空位迁移机制主导的RS行为可模拟生物突触的权重更新。

突触可塑性
RRAM器件通过脉冲电压调控成功复现了短时程可塑性（STP）和长时程增强（LTP），其中Pavlov条件反射实验验证了其联想学习能力。尖峰时序依赖可塑性（STDP）和尖峰频率依赖可塑性（SRDP）的实现，进一步证实了RRAM在时序编码与频率解码中的生物拟真性。

人工神经网络架构
基于RRAM的ANN按组件分为四类：全忆阻型、混合CMOS-忆阻型、光电集成型和3D堆叠型。3D忆阻器阵列通过垂直通孔（VIA）实现高密度互连，其并行处理能力在图像识别任务中达到92.3%准确率，功耗较传统GPU降低两个数量级。

应用与挑战
当前RRAM-ANN已在医学影像分类和语音信号处理中展现优势，但器件均匀性、循环耐久性（>10⁶
次）和串扰抑制仍是产业化瓶颈。未来发展方向包括原子层沉积（ALD）工艺优化和神经形态芯片与量子计算的融合。

展望
RRAM技术为突破摩尔定律提供了新路径，其与脉冲神经网络（SNN）的深度结合有望实现真正意义上的类脑智能，而材料-器件-算法协同设计将成为下一代神经形态系统的核心攻关方向。