基于忆阻器电路的自上而下与自下而上注意力协同调控工作记忆模型及其在机器人认知控制中的应用

本文提出一种受脑启发的注意力调控工作记忆（WM）模型，通过忆阻器电路实现多模态感知信息与内部强化信号（如奖励）的在线整合，支持机器人（robot）在复杂环境中完成自适应决策与认知控制（cognitive control），为类脑计算与神经形态工程提供了硬件实现新思路。

　　

Highlight

Working memory model and its circuit framework

工作记忆（WM）由四个核心组件构成：中央执行控制系统（central executive control）以及三个辅助存储系统——语音回路（phonological loop）、视觉空间画板（visuospatial sketchpad）和情景缓冲器（episodic buffer）。此外，一个驱动整个系统并处理认知任务的注意力控制系统在功能上被重点强调。这四个部分负责不同形式的多模态信息存储与处理，尤其是视觉与听觉信息。它们协同工作，实现信息的临时保持、整合与调用，从而支持目标导向行为与高级认知功能。

Memristor model

本研究采用AgInSbTe（AIST）忆阻器模型来模拟稳态突触可塑性（homeostatic synaptic plasticity），其特性可通过电压-电流关系描述。其中，R_on表示完全掺杂状态下的低阻态（LRS），R表示完全未掺杂状态下的高阻态（HRS）。忆阻器的阻态变化受电荷通量调控，具备类似生物突触的适应性响应特性，为类脑电路的实现提供了物理基础。

Simulation results of the cognitive control and execution

如图12所示，电路输入包括代表外部听觉与视觉刺激的A_in与V_in。A₁与V₁表示目标Action1下的刺激显著性，A₂与V₂则对应Action2。通过调控同步模式参数（如S_sync），可实现不同目标优先级下的注意力分配。每个选择均具备自下而上（bottom-up）与自上而下（top-down）两条注意力通路，分别由B_up、T_down等信号表征。全局调控信号G_ctrl用于协调多通路竞争或协作关系，最终驱动可学习的执行动作输出。

Conclusion

本研究构建了一种脑启发的注意力调控工作记忆框架，并实现了其忆阻器电路设计。该框架整合了外部多模态刺激处理与内部强化信号检索，能够根据不同的视听输入模式与刺激显著性，实现过滤、同步、编码、偏置形成与自适应决策等功能。电路基于忆阻器实现在线原位学习（online in-situ learning）与存内计算（in-memory computing），为资源受限终端（如机器人认知控制系统）的应用提供了高效解决方案。