综述：神经形态忆阻器在人工智能计算中的分析与应用

《Nano-Micro Letters》：Analysis and Applications of Neuromorphic Memristors in Artificial Intelligence Computing

　　

近年来，人工智能（AI）发展迅速，并已广泛应用于医疗保健、智能感知、机器感知和图像识别等领域。受人类大脑结构和运行原理启发的神经形态计算（Neuromorphic Computing），已成为构建高效、低功耗和自适应信息处理系统的一种有前景的范式。在本综述中，研究人员从生物启发、代表性材料系统、器件架构、性能指标以及面向人工智能的应用等角度，总结了神经形态忆阻器（Neuromorphic Memristors）的发展。与以往主要分别关注忆阻器材料、开关机制或神经形态功能的综述不同，本文进一步强调了忆阻器特性与不同AI任务（包括AI加速、神经形态计算、智能感知和人机交互）之间的关系。最后，从器件优化、系统集成、可扩展性和实际应用等角度，讨论了神经形态忆阻器面临的主要挑战和未来机遇。

1 引言
在摩尔定律（Moore’s law）驱动的晶体管持续小型化推动下，基于CMOS的计算机性能在过去几十年显著提升。然而，数据量的快速增长和计算任务的日益复杂暴露了传统冯·诺依曼架构（von Neumann architecture）的局限性。在器件层面，晶体管缩放接近物理极限，导致性能退化和可靠性问题；在架构层面，存储与处理的物理分离导致高数据传输能耗和严重延迟，即“存储墙”（memory wall）。因此，迫切需要新器件和计算范式来提升能效并减少数据移动开销。神经形态计算（Neuromorphic Computing）被认为是解决冯·诺依曼瓶颈并发展下一代计算系统的最有前景的途径之一。其基础概念由Mead提出，他提出了模拟生物神经架构和信息处理原理的硅硬件。在生物系统中，信息传递依赖神经元和突触，以事件驱动、并行且高效的方式运行。受这些特性启发，忆阻器（Memristor）因其电导状态可连续调节并保持，能够模拟神经元和突触行为，成为神经形态计算候选硬件平台。由于结构简单、非易失性、与高密度集成的兼容性，神经形态忆阻器在构建低功耗自适应计算系统中极具前景。近年来，神经形态忆阻器在更广泛的智能硬件场景中也展现出强大潜力，包括AI加速、智能感知、机器感知、可穿戴电子和人机交互。在这些应用中，不同材料系统和器件架构可能在灵活性、功耗、可靠性、集成密度和多功能性方面提供不同优势。因此，本综述不仅总结代表性忆阻器平台，还阐明其与不同人工智能任务的相关性。本文重点关注用于人工智能计算的神经形态忆阻器，特别强调材料系统、器件架构、性能指标和应用场景之间的关系。与以往分别总结忆阻器材料、开关机制或神经形态功能的综述不同，本文进一步突出不同忆阻器平台如何支持不同的AI任务，包括AI加速、神经形态计算、智能感知和人机交互。本文结构如下：首先简要介绍神经形态计算的生物启发和神经网络相关性；然后总结代表性忆阻器平台、器件结构和发展历史；接着讨论关键性能指标，包括能效、可靠性、灵活性和系统级考虑；最后概述代表性应用领域、关键瓶颈和未来研究方向。

2 生物神经系统
本节仅简要总结与忆阻神经形态硬件直接相关的生物原理，包括神经元信号传递、突触可塑性和神经网络启发的信息处理。讨论聚焦于最强烈启发人工突触、人工神经元和神经形态计算系统的生物特征，包括外部刺激转化为电脉冲、神经信号的传递和时间整合，以及学习过程中突触连接的塑性适应。

2.1 人体神经系统
在生物系统中，外部环境信息首先由专门感受器检测，然后通过神经元传递到神经系统进行进一步处理。从神经形态硬件角度看，最相关的方面是外部物理刺激可转化为电脉冲信号，且神经元以事件驱动方式传播这些信号。如图2a–c所示，光感受器、温度感受器和机械感受器将不同形式的环境输入转化为电脉冲，为智能系统中的感知和信号传递提供了生物基础。神经元是这一过程中的基本处理单元，其基本结构包括树突、胞体和轴突，能够接收、整合和传播信号。当刺激达到足够阈值时，在轴丘附近产生动作电位并沿轴突传播到下游神经元。这种事件驱动信号传递具有高度能效和并行性，是神经元系统成为神经形态计算硬件核心灵感来源的关键原因之一。

2.2 突触
突触是神经元之间通信的关键功能连接点，因此是忆阻器件最重要的生物灵感之一。结构上，突触由突触前末梢、突触间隙和突触后膜组成。信号传递时，神经递质从突触前末梢释放，扩散穿过突触间隙，与突触后膜上的受体结合，诱导突触后反应，如图2d所示。此过程与离子通道活动和膜电位调制密切相关。突触后电反应的产生依赖于跨膜离子运输。当刺激到达时，Na⁺通道打开，允许Na⁺进入细胞，导致膜去极化；当膜电位超过阈值，Na⁺通道失活，K⁺通道打开，K⁺外流导致复极化，如图2e–i所示。生物神经元通过这种方式随时间整合输入信号，仅在累积输入足够强时产生动作电位。这种时间整合和阈值触发发放为人工神经元模型和基于尖峰的计算方案提供了直接生物基础。从神经形态硬件角度看，突触最重要的生物特征是模拟权重调制、时间整合和活动依赖性可塑性。特别是尖峰时序依赖可塑性（STDP）和尖峰速率依赖可塑性（SRDP）等突触学习规则被广泛用作评估人工突触器件的基准。

2.3 神经网络
生物神经网络启发了广泛的人工神经网络模型，这些模型现已成为人工智能的计算骨干。从任务角度看，神经网络启发的忆阻系统可大致与两个方向相关：用于高吞吐量计算的AI加速和用于生物启发事件驱动信息处理的神经形态计算。不同神经网络范式对底层硬件提出不同要求，忆阻器可根据目标计算场景（如时间信息处理、事件驱动感知或图像识别）提供不同优势。代表性网络包括储层计算（RC）、脉冲神经网络（SNN）和卷积神经网络（CNN），这些是神经形态硬件研究中讨论最广泛的网络类型。此外，集成了外围电路的1T1M交叉阵列芯片为在忆阻硬件中实现这些网络模型提供了实用途径。储层计算特别适合时间序列信号处理，能高效处理动态时变输入。在典型RC框架中，输入通过时间复用和掩码矩阵乘法预处理，转换为电压脉冲序列施加到忆阻储层，虚拟节点的动态响应被采样并组织为储层状态，最终输出通过训练好的线性读出获得。忆阻器因其动态电导演化和时间响应能力，对此类计算架构特别有吸引力。脉冲神经网络更适合事件驱动和稀疏信息处理，因为它将尖峰作为信息基本载体，并明确保留神经元之间的时间关系。典型SNN由输入层、隐藏层和输出层组成，信息以离散脉冲序列形式传递，通过尖峰依赖的突触权重调制进行处理。这种事件驱动计算范式在处理动态感知输入时可有效减少冗余和能耗。在代表性案例中，动态视觉传感器将真实场景变化转化为事件流，由事件驱动硬件处理。忆阻器因其脉冲驱动电导调制和突触可塑性，自然模拟了生物突触的时间和事件驱动行为。卷积神经网络广泛用于图像识别、特征提取等视觉任务，通过分层卷积操作高效处理空间结构化数据。典型CNN包括输入层、卷积层、池化层、全连接层和输出层。由于CNN需要大规模乘累加运算，忆阻交叉阵列特别适合以存内计算方式加速这些运算。卷积核可映射到忆阻阵列上，从而提高并行度并减少数据移动开销。总体而言，不同神经网络范式对应不同任务需求，忆阻器的优势应以任务导向方式理解。RC与时间信号处理密切相关，SNN与事件驱动和低功耗计算高度兼容，CNN适合受益于大规模并行存内运算的图像处理任务。因此，时间信号任务更强调动态电导演化和短期记忆，事件驱动任务更依赖尖峰依赖可塑性和低功耗操作，而图像处理任务需要高并行乘累加能力和阵列级集成。

3 忆阻器
忆阻器由Leon Chua于1971年首次提出，作为第四种基本电路元件，通过建立电荷与磁通量之间的直接关系，补充了电阻、电容和电感。该概念填补了电流、电荷、电压和磁通量这四个基本电路变量之间的缺失链接。2008年，HP实验室在TiO₂/TiO_2-x结构中实验证明了忆阻效应，验证了Chua的理论预测，并引起了广泛关注，使忆阻器成为非冯·诺依曼计算的有前景硬件平台。此后，忆阻器研究从概念验证迅速发展到材料多样化、结构创新和面向应用的系统设计。本节首先回顾忆阻器的发展历史，然后总结代表性材料系统、器件结构和存储原理，如图4所示，最后讨论性能优化。

3.1 发展历史
忆阻器的发展可理解为从器件级突触模拟到系统级神经形态和人工智能硬件逐步演进的过程。在忆阻器概念得到实验验证后，早期研究主要集中于证明单个忆阻器件能否重现关键生物突触功能。代表性工作表明，忆阻器可模拟习惯化/疲劳行为、短期记忆向长期记忆转变等基本突触反应，从而确立了其作为人工突触的可行性。随后，扩散型忆阻器通过再现与生物Ca²⁺调控可塑性类似的时间动力学，进一步提高了忆阻器件的仿生保真度；而基于交叉阵列的忆阻器网络实现了稀疏编码和高效感官数据表示。这些研究标志着忆阻器研究从简单阻变器件向具备突触模拟和生物启发信息编码功能的神经形态元件转变。第二个重要阶段是从单器件演示转向可训练神经网络硬件。在此阶段，重点转向阵列级实现、原位学习和与外围电路的集成。多层忆阻器神经网络中的高效自适应原位学习证明了忆阻交叉阵列可直接用于在线训练，同时容忍硬件缺陷，这是向实用人工智能硬件迈出的重要一步。随后，三维单片集成硬件神经系统的开发表明，易失性和非易失性忆阻器件可与CMOS电路垂直集成，实现片上神经形态处理。同时，器件工程策略如合金化导电通道被引入，以改善开关均匀性、编程对称性和多级保持特性，解决了模拟忆阻计算的主要瓶颈之一。这些进展表明，忆阻器的发展历史不仅由新型开关介质驱动，还受到大阵列可靠性、训练能力和与硬件神经系统的兼容性等迫切需求的推动。最近的研究将忆阻器研究范围从神经网络训练扩展到多样化计算范式和多功能智能系统。例如，忆阻控制互自旋霍尔纳米振荡器同步表明，忆阻器可作为振荡器型神经形态硬件中的非易失性控制元件，将其作用扩展到传统电阻式存储和突触权重之外。光电和视觉功能也变得越来越重要。多光谱彩色认知忆阻器表明，两端忆阻器可具有波长依赖的突触行为，用于神经形态视觉系统；而具有增强线性度和精确权重调节的柔性忆阻器进一步强调了机械适应性和模拟更新对称性在实用神经形态计算中的重要性。同时，嵌入细胞自动机的忆阻器循环逻辑表明，忆阻器可支持标准神经网络任务之外的低成本存内逻辑架构，表明向算法特定存内计算的更广泛趋势。在最新发展阶段，忆阻器正越来越多地被探索用于柔性、跨模态、自供电和极端环境系统。基于柔性忆阻器的跨模态感觉神经元表明，忆阻器件可直接融合压力、温度等多模态信号，实现可穿戴人机界面的实时传感器内计算。同时，离子流忆阻和忆容器件为具有强生物环境兼容性的自供电神经形态电子学开辟了道路。最近，低温忆阻器的出现将忆阻器研究扩展到低温非传统计算领域，表明其与未来量子兼容或低温信息处理平台的潜在相关性。因此，忆阻器的发展历史不应再被视为电阻开关特性的简单优化，而是反映了向可靠、可训练、柔性、多模态和面向特定应用的人工智能、神经形态感知和非传统计算硬件平台的更广泛演进。上述基于阶段的演进轨迹如图5所示。

3.2 代表性忆阻器平台、结构和存储原理
神经形态忆阻器的快速发展与代表性平台、器件架构和存储机制的多样化密切相关。当代忆阻器研究已逐渐演变为一个广泛的设计空间，包括基于氧化物的垂直或异质结构平台、铁电氧化物、聚合物、层状范德华结构、平面离子耦合器件和集成选择器存储器架构。如图4所示，忆阻器的性能和功能不仅由组成材料本身决定，还取决于器件平台和结构如何调控离子迁移、极化演化、缺陷形成、界面输运和电荷存储。从代表性平台角度看，氧化物基垂直或异质结构忆阻器因其紧凑器件几何和强界面可调性而变得越来越重要，适合低功耗存储和神经形态功能，如图4a所示。同时，基于HfO₂的铁电系统因其CMOS兼容性、丰富的相依赖电学行为和可靠开关与高密度集成的潜力，仍是另一主要平台，其晶体结构如图4b所示。此外，聚合物忆阻器因其结构可变形性和大面积或纳米尺度器件中均匀开关的潜力，成为轻量、低功耗和机械顺应性电子学的一个独特分支，如图4c所示。在器件架构方面，垂直、层状、平面和集成结构提供了不同的神经形态功能实现途径。图4a中的代表性垂直氧化物/异质结构平台强调了紧凑面外输运和界面调制在实用忆阻设计中的重要性。基于WS₂的层状二维忆阻器（图4d）受益于明确的范德华界面和缺陷控制输运，有利于低功耗神经形态操作。基于MoS₂的平面离子耦合器件（图4e）进一步表明，面内离子迁移可诱导局部相变和忆阻开关，实现传统细丝型器件难以实现的突触合作与竞争行为。集成或选择器辅助架构（图4f）强调可控开关、减少漏电流以及与实用存储或存内计算电路的兼容性。这些例子表明，忆阻器设计已从简单两端开关单元转向更面向应用的架构，同时考虑开关可控性、能效和系统集成。除了材料平台和结构，忆阻器的存储原理对于理解其神经形态功能同样重要。传统忆阻开关常与导电细丝的形成和断裂相关，通常涉及氧空位或活性金属离子。然而，更近期的研究揭示了更广泛的存储机制，包括界面输运调制、铁电离子运动、缺陷介导跳跃、相变辅助开关以及浮栅或多级结构中的电荷存储。例如，图4e中的平面MoS₂系统展示了离子调制和局部相变如何产生忆阻行为以及比传统垂直开关器件更复杂的时空信号相互作用。同样，图4g中的多端浮栅忆阻器表明，共享浮栅中的电荷调制可实现多神经元连接和比传统两端器件更复杂的神经形态操作。这些发展表明，忆阻器的存储原理不应仅被视为电阻变化的物理起源，而是决定器件更适合非易失性权重存储、易失性阈值动力学、多通道信号处理还是更高级的神经元-突触协同功能的基础。总体而言，图4所示的代表性系统表明，现代忆阻器研究不再仅关注实现电阻开关本身，而是越来越强调代表性平台、结构和存储原理的协调设计，以满足特定神经形态任务的要求。氧化物基和垂直异质结构平台适合紧凑集成和界面开关控制，铁电氧化物适合基于极化的开关和CMOS兼容集成，聚合物系统适合轻量低功耗应用，而层状、平面和先进多端架构则实现了离子耦合动力学、多级存储、选择器功能和生物启发信息处理。

4 性能优化与功能工程
神经形态忆阻器的最新进展表明，性能优化不再局限于传统开关指标，而是越来越关注忆阻器件能否同时满足多个面向应用的要求，包括低功耗、操作耐久性、识别精度、机械灵活性和可穿戴集成。本节讨论围绕两个互补层次组织：图6总结了改善低功耗操作、耐久性和精度的代表性策略，而图7侧重于灵活性、机械鲁棒性和可穿戴集成。

4.1 面向功能的器件优化
神经形态忆阻器研究中最重要的近期趋势之一是器件优化日益面向功能。早期研究主要关注开关比、保持特性和耐久性等常规电参数。然而，随着神经形态计算任务日益复杂，研究人员开始强调忆阻器件能否直接支持更丰富的生物和计算功能，包括多功能突触动力学、紧凑神经元实现、可重构易失性/非易失性操作、机械灵活性、多通道信号处理和高效模拟系统集成。如图6所示，近期优化策略因此不再局限于改善电阻开关本身，而是越来越指向增强器件的目标神经形态功能。除了能耗、耐久性和识别精度，编程时间是另一个关键指标，取决于器件机制、材料系统和偏置方案，编程延迟可从纳秒到毫秒，直接影响训练吞吐量、在线适应速度和系统延迟。代表性例子如图6a所示，单个SrTiO₃基神经形态忆阻器在一个器件内紧密模拟了多种突触机制，可同时重现长期记忆、短期记忆、短期可塑性和元可塑性，且运行在非细丝低电导区，有利于稳定和节能操作，相应的神经网络实现能耗比纯GPU方案低约两个数量级。另一个重要优化策略是提高人工神经元或突触实现的紧凑性并减少外围硬件开销。如图6b所示，基于Hf_0.2Zr_0.8O₂的反铁电晶体管神经元利用内在极化/去极化过程实现漏积分发放行为，无需外部电容或复位电路，极大简化了神经元架构，同时保持低能耗、高耐久性和良好均匀性。类似地，图6f中的两端反铁电HZO器件通过功函数工程实现了人工神经元类易失性行为和突触可塑性，W/HZO/W器件实现漏积分发放特性，而Au/Ti/HZO/W器件表现出PPF和LTP/LTD等突触功能，数字识别精度超过90%。此外，可重构性已成为越来越重要的优化目标。图6d中的可重构卤化物钙钛矿纳米晶忆阻器通过控制电化学反应，在同一器件平台中按需切换易失性扩散模式和非易失性漂移模式，满足储层计算、脉冲神经网络和人工神经网络的不同硬件要求。机械适应性和生物逼真信号处理也成为重要优化目标。如图6e所示，基于锆氧簇的柔性突触忆阻器通过控制开关矩阵刚性，改善了器件可靠性和模拟电导对称性，实现稳定弯曲性能和高精度神经形态计算；图6g中的离子扩散树突纳米忆阻器实现了多通道多对一调制、树突竞争/合作和低至80 mV的超低电压操作，接近生物动作电位水平。最后，忆阻器的优化也需从系统级角度判断。图6c中的忆阻器阵列神经信号分析系统表明，忆阻器可直接处理模拟神经信号，在脑机接口相关任务中实现93.46%的精度和比最先进CMOS系统近400倍的能效提升。总体而言，图6中的代表性例子表明，神经形态忆阻器的性能优化正日益面向应用和功能驱动。最具竞争力的器件不再是那些仅具有良好电阻开关特性的器件，而是能同时提供多功能性、紧凑性、可重构性、灵活性、生物合理性和系统级效率的器件。

4.2 灵活性、机械鲁棒性与系统级可穿戴集成
对于面向可穿戴、生物集成和边缘计算应用的神经形态器件，性能优化还应从灵活性、机械鲁棒性和系统级集成角度评估。在这些场景中，器件不仅需要稳定电开关，还要在弯曲、拉伸、交织组装或直接贴合曲面时保持存储和神经形态功能。因此，灵活性应被视为实用神经形态硬件的核心性能指标，而非仅与封装相关。第一个重要途径是开发具有保持存储和计算能力的柔性神经形态器件平台。图7a中的柔性3D忆阻器阵列表明，通过低温ALD可在柔性衬底上构建高密度神经形态硬件，同时保留多位存储和突触可塑性。类似地，图7b中的可重构织物忆阻器网络表明，纤维状架构可支持交织可穿戴格式中的突触和神经元功能。第二个途径是将感知、存储和处理集成到柔性同质平台中。图7c中的有机电化学晶体管通过垂直遍历架构实现易失性感受器和非易失性突触的双重操作，有利于柔性神经形态系统的单片集成。图7d中的可穿戴演示进一步表明，此类柔性平台可直接适应皮肤或生物接口场景。除了功能平台设计，制造策略对于实现机械鲁棒柔性电子学也至关重要。图7e中的光刻过滤工艺展示了如何将不同纳米线层顺序图案化并嵌入弹性体基体，形成本征可拉伸器件结构。图7f–h中的器件演示表明，此类嵌入式架构可在拉伸变形下保持结构完整性。虽然该纳米线光电探测器本身不是忆阻器，但图7e–h中的完全嵌入式结构概念为未来试图在柔软或类皮肤电子学中集成感知和信号处理的可拉伸神经形态系统提供了设计指导。灵活性的重要性最终取决于电行为在变形下是否稳定。图7i中的电流-电压特性表明器件在无应变和高应变状态下均能保持清晰光电响应；图7j中的不同应变水平动态响应表明机械变形主要改变响应幅度和动力学，而整体感知功能保持；图7k,l中的循环结果表明重复操作不会导致归一化响应明显退化，表明电稳定性和机械顺应性可同时保持。除了变形下稳定操作，柔性神经形态器件还应在系统级集成方面进行评估。图7a中的柔性3D阵列、图7b中的织物基可重构忆阻器网络以及图7c,d中的多模态感知-存储-处理平台表明，灵活性优化只有在能支持完整可穿戴神经形态系统而非孤立器件演示时才有意义。

5 人工智能应用
神经形态忆阻器的最新进展已将该领域焦点从孤立器件演示转向面向应用的硬件系统。在实用人工智能场景中，忆阻器件的价值不再仅由其开关特性或突触可塑性决定，而是越来越取决于能否支持特定计算功能，如高精度模拟计算、芯片级集成、自供电视觉感知、安全随机计算、低串扰突触阵列、无线信号处理、触觉神经形态感知以及全栈存内计算部署。因此，应用研究不应组织为简单示例集合，而应作为连接器件特性与目标系统功能的连贯框架。代表性例子总结于图8。

5.1 面向应用的忆阻硬件平台
神经形态忆阻器的应用研究正从孤立器件演示转向具有明确功能角色的硬件平台。如图8所示，这些面向应用的平台可组织为三个层次：芯片级平台（图8a,b）、忆阻阵列（图8c-e）和系统集成（图8f-h）。在芯片级，主要目标是提高计算精度和硬件兼容性。图8a中的高精度忆阻器芯片通过专用编程策略支持任意高精度模拟计算，表明忆阻硬件可超越低精度神经形态推理，向更精确的模拟计算任务扩展。图8b中的混合2D-CMOS微芯片进一步表明，忆阻器件可直接与CMOS电路集成，形成密集1T1M单元，在实用半导体平台上实现存内逻辑运算和突触可塑性信号。在阵列级，关键问题是忆阻硬件能否在可扩展交叉架构中支持集体感知和学习行为。图8c中的自供电人工纹状皮层表明，忆阻交叉阵列可模拟双眼和方向选择性感受野，实现更生物逼真的视觉信息处理。图8d中的可调随机忆阻阵列表明，阵列级硬件可在不同偏置下同时支持基于随机性的安全功能和确定性逻辑操作。图8e中的自整流突触阵列表明，本征整流可有效抑制密集交叉系统中的漏电路径，同时保持LTP、LTD和STDP等突触功能。在系统集成级，忆阻应用不再局限于传统神经网络加速，而是向更多样化的智能系统扩展。图8f中的VO₂忆阻器基变频器表明，忆阻硬件可用于无线物联网系统中的原位频率合成和混频，支持特定应用信号处理任务。图8g中的机械门控离子压阻忆阻器通过耦合机械感知与兴奋性和抑制性可塑性响应，进一步将应用范围扩展到时间触觉神经形态感知。图8h中的全栈存内计算系统表明，忆阻硬件的实际部署越来越依赖于软硬件协同开发，包括编译器支持、灵活映射和针对硬件非理想性的优化。总体而言，图8表明，面向应用的忆阻硬件平台可通过从芯片到阵列再到完整系统的清晰层次理解。

5.2 识别、感知与人机交互
除了芯片级平台，忆阻应用正越来越多地向识别、感知和人机交互中的具体任务演示迈进。如图9和图10所示，这些任务级研究可大致分为识别/重建任务和感知/控制任务。第一组是面向识别的医疗和诊断任务，如图9a-d所示。图9a,b中的忆阻器基贝叶斯神经网络展示了心律失常分类及不确定性评估，对于安全关键边缘应用尤为重要。图9c,d中的慢性伤口系统使用两阶段框架，CNN识别伤口感兴趣区域，而忆阻基离散时间细胞神经网络（DT-CNN）执行临床验证的伤口床分类。第二组是面向重建的视觉任务，如图9e,f所示。基于发光忆阻器的超深神经网络硬件支持图像超分辨率和跨层传输，使深度架构远超出硬件神经系统通常报道的浅层网络。另一个主要应用方向是多模态感知，如图10a,b所示。图10a中的光电协同调制忆阻器将感知、存储和处理集成于人工视觉任务，表明视觉感知可部分转移到器件级。图10b中的智能感知织物通过响应火、水、尖锐物体和手指触摸，将这一思想扩展到可穿戴系统。更专门的感知方向是神经形态视觉，如图10c,d所示。图10c中的半球形视网膜模拟双眼视差和立体视觉，图10d中的共形忆阻阵列提供宽视野、空间角度检测和视网膜形态感知的结构基础。在系统端，控制和人机交互在图10e,f中突出显示。图10e中的FPGA增强集成“感知-记忆”系统将电子纹身与忆阻器结合，实现生理信号感知、识别、存储和控制。图10f中的机器人-手交互结果表明，忆阻器辅助系统可支持手势驱动控制和实时人机通信。总体而言，图9和图10表明，神经形态忆阻器的任务级应用可通过从识别和重建到感知和交互控制的功能演进理解。医疗识别任务强调置信度和标准化输出，重建任务强调深层信息传输和输出保真度，感知任务强调刺激与记忆-处理行为的直接耦合，交互任务强调实时系统集成。

6 挑战与展望
尽管神经形态忆阻器在器件设计、柔性电子学和面向应用的硬件系统方面取得了快速进展，但若干关键挑战仍限制其从实验室演示向实用智能平台的转变。如图11所示，这些挑战可从四个角度讨论：可扩展性与标准化、材料与制造、脑启发计算以及系统级集成。可扩展性与标准化挑战：近期感知织物研究表明，离子导电且机械鲁棒的纤维可编织成可穿戴系统，实现危险感知、触觉定位和人机交互。然而，从这类演示走向实用神经形态产品需要可扩展制备路线、低成本、可重复器件行为以及统一的评估标准。材料与制造挑战：基于锆氧簇的柔性忆阻器表明，可控材料刚性可改善重复性、保持特性和模拟开关对称性，同时保持机械灵活性。材料选择是决定可靠性和神经形态精度的核心因素，同时，对热控聚合、优化开关矩阵形成和稳定导电路径演化的依赖表明，制造窗口控制仍是主要挑战。脑启发计算挑战：基于柔性氮化硼的忆阻器已展示了在同一系统中集成原位数字逻辑和模拟神经形态功能的可能性，但当前硬件仍远未达到生物信息处理的丰富性和适应性。未来需要更可调的神经元模型、更丰富的突触可塑性规则以及更紧密的存储-计算协同设计。系统级集成挑战：最近的感知-记忆-处理-显示系统表明，柔性传感器、忆阻器和输出模块可结合执行步态识别和片上预处理等任务。然而，实际部署仍需要更高集成密度、更高效外围电路设计、更低系统开销以及感知、存储、处理、显示和电源单元之间的更强协调。近期，研究应优先考虑器件变异性、耐久性、保持特性、灵活性和任务级评估的标准化基准协议，以便不同忆阻器平台可在共同基础上比较。中期，材料工程和可制造器件结构的进展应与CMOS兼容集成和稳定阵列级操作相结合。同时，良率控制、工艺标准化、封装兼容性以及向可扩展制造线的技术转移对于将神经形态忆阻器从实验室原型推向实用商业化至关重要。长期，神经形态忆阻器系统有望向集成感知、存储、计算和交互的全栈智能硬件演进，支持可穿戴电子、智能感知、边缘人工智能和人机界面等实际应用。总体而言，图11表明，神经形态忆阻器的未来将依赖于多个层面的协调进展。可穿戴和织物基系统需要可扩展和标准化发展，柔性器件需要改进材料和工艺控制，存内架构需要更富有表现力的脑启发计算模型，而实际应用需要高效系统级集成。因此，未来研究应超越孤立性能演示，更加关注材料、器件、架构和智能系统部署的联合优化。