综述：忆阻神经网络算法训练方法综述

《Electronics》：Memristive Neural Networks-Assisted Training Algorithms: Current State and Future Challenges

　　现代人工智能架构中存在的挑战，包括冯·诺依曼瓶颈和高能耗问题，促使研究人员越来越多地致力于开发基于忆阻器技术的新计算范式。本综述全面总结了忆阻神经网络（MNNs，包括忆阻脉冲神经网络MSNNs）的算法训练方法，整合了硬件平台上的实现方案与软件开发的解决方案。与现有在更广泛的硬件实现背景下讨论算法方面的综述不同，本综述从算法为中心的角度出发，从训练算法入手，分析了将它们适配到忆阻硬件的不同方法。该综述涵盖了传统的机器学习算法，如反向传播及其向硬件友好方案的改进，以及无梯度方法，特别强调了处理器件非理想特性的算法。此外，我们概述了受生物启发的学习规则，包括脉冲时间依赖可塑性（STDP）和奖励调制STDP，这些规则可以通过忆阻器件来模拟，以及强化学习算法。本综述特别关注脉冲神经元-星形胶质细胞网络的生物合理模型及其在忆阻硬件中的直接实现，这些方法显著提高了自学习算法的效率。最后，本综述从算法为中心的角度提出了忆阻器件在人工智能系统中大规模应用的开放问题与挑战。