双忆阻器动态信息处理与时间序列预测：突破神经网络计算新范式

本综述创新性地提出了一种基于双忆阻器（Memristor）的动态信息处理架构，通过利用忆阻器电阻切换速度的指数级电压依赖性（电压-时间困境，voltage-time dilemma），实现了复杂时序信号处理任务。该方案仅需单个非易失性Ta2O5忆阻器即可完成神经脉冲噪声检测（检测精度达99%），结合挥发性VO2忆阻器振荡电路构建出自驱动神经收发系统。进一步通过双忆阻器动态层与线性读出层的协同，在非线性自回归移动平均（NARMA）时间序列预测任务中达到NMSE=3.03×10-3的精度，媲美90忆阻器阵列的性能。这项研究为边缘计算提供了超紧凑、低能耗的时序信息处理新范式。

　　

1 引言

忆阻器因其尺寸紧凑、结构简单、能耗低、速度快且与CMOS工艺兼容，在人工神经网络（ANN）中作为突触元件广泛应用。传统忆阻交叉阵列主要利用其多级电阻状态的可编程性，而忆阻器的动态特性——尤其是电阻切换速度与偏压的指数依赖关系——仍未被充分开发利用。本文提出了一种从根本上依赖该动态特性的信息处理方案，通过简单动态忆阻电路解决复杂时序信息处理任务。

2 结果与讨论

2.1 信息处理电路架构

研究采用Ta/Ta₂O₅/Pt非易失性忆阻器（红色图标）和Au/VO₂/Au挥发性忆阻器（蓝色图标）构建电路。Ta₂O₅器件呈现双极型阻变特性，电阻在1kΩ–10kΩ范围内可模拟调节；VO₂器件则基于莫特相变呈现单极型挥发性阻变，其30nm电极间隙确保了均一的活性区域。

2.2 检测电路的记忆时间常数

核心创新在于利用"电压-时间困境"现象：忆阻器切换时间常数τ随偏压呈指数变化，τ = A·exp(-B·V)。通过将非易失性忆阻器与串联电阻组合，正电压脉冲（学习信号）驱动忆阻器向低阻态（LRS）转变，而负偏压（遗忘机制）促使其返回高阻态（HRS）。电压分压效应使τ在切换过程中产生数量级变化，从而实现从短时记忆到长时记忆的可调转换。

2.3 时序信号检测仿真

通过最小化模型仿真验证：当施加较大负偏压（-1.65V）时，忆阻器呈现短时记忆特性，电阻在编程脉冲后快速恢复；而当偏压减小至-1.3V时，系统进入长时记忆状态。这种特性可用于识别淹没在噪声中的神经脉冲——优化负偏压后，0.4V脉冲在0.2V均方根噪声中可实现99%检测精度，信噪比相比传统阈值方案提升4倍。

2.4 脉冲序列与神经脉冲检测实验

实验采用Ta₂O₅忆阻器与1kΩ串联电阻，验证了电压可调的短时/长时记忆效应：

• •
  在-2V偏压下，2V脉冲仅引起短时电阻变化
• •
  偏压降至-1.6V时，相同脉冲触发长时记忆转变
• •
  引入2.5V超阈值脉冲可特异性触发持久LRS转变
  噪声环境测试表明，系统能可靠区分高幅值短时噪声脉冲（1.13V, 1μs）与神经脉冲（0.4V, 10ms）

2.5 神经收发机操作

将检测电路与VO₂振荡电路耦合（灰色虚线箭头），形成完整神经回路：

• •
  Ta₂O₅模块检测到神经脉冲后，串联电阻压降增大
• •
  通过差分放大器耦合至VO₂电路（R_L=50kΩ, C=4.4nF）
• •
  触发周期性电流振荡（强直脉冲模式）
• •
  添加全局反馈（黑色虚线箭头）后，输出脉冲以负极性形式返回输入端
• •
  实现检测→发放→重置的自主循环，保持98%检测精度

2.6 双Ta₂O₅忆阻器时间序列预测

针对NARMA2非线性动力系统预测任务：

• •
  系统方程：y(k)=0.4y(k-1)+0.4y(k-1)y(k-2)+0.6u³(k)+0.1
• •
  采用双忆阻器动态层，通过不同负偏压（-1.5V至-2.1V可调）设置差异化的记忆时间常数（τ₁, τ₂）
• •
  输入信号u(k)∈[0,0.5]经线性变换为V_in(k)=1.5·u(k)+1V
• •
  读取串联电阻电压V_out1(k), V_out2(k)作为特征
• •
  通过线性组合（w₁, w₂, o）生成预测输出
  经300点训练集优化，在验证集上达到NMSE=3.03×10^-3的预测精度，与90忆阻器阵列性能相当（NMSE=3.13×10^-3），但硬件复杂度显著降低。

3 结论

本研究展示了基于忆阻器动态特性的信息处理新范式：

1. 1.
   通过正信号编程与负偏压遗忘的协同，实现宽范围可调的记忆动力学
2. 2.
   单忆阻器即可完成噪声环境神经脉冲检测等复杂任务
3. 3.
   双忆阻器架构通过差异化时间常数设置，成功预测非线性动力系统
4. 4.
   结合VO₂振荡电路构建出自主神经收发系统
   技术普适性方面：①操作频率可扩展至ps领域（Ta₂O₅器件实测set时间10ps）；②材料体系可选择其他呈现指数电压-时间关系的阻变系统；③输入通道数可随任务复杂度扩展。该方案为边缘计算提供了超紧凑、低能耗的时序信息处理解决方案，避免了传统软件方法的高能耗问题。