为什么忆阻器或二端器件有望成为未来芯片的主流器件？

首先，根据我个人对忆阻器的理解与认识，我认为应当参考如下几点：
（1）基础性：根据忆阻器之父蔡少棠教授的理论[1]，忆阻器（全称记忆电阻器，Memristor）是人类发现的第四种基本电子元件，它由磁通量（或电压在时间上的积分）与电荷量共同决定，数值上等于磁通量对电荷量的一阶微分，忆阻器会记忆流经它的所有电荷的信息。因此忆阻器非常具有研究价值，并且拥有不可估量的潜在研究价值；
（2）集成性：二端器件可通过crossbar方法实现超大规模集成的可编程性阵列；
（3）功耗低：忆阻器通过绝缘体内生长导电材料实现多阻态变换，因此通常电导处于微西门子$10^{-6}S$级别，而晶体管通常是西门子级别。根据焦耳定律$P=V^{2}G$可知，忆阻器的功耗极低。根据一项研究[2]发现，忆阻器的功耗在同性能条件下目前是最低的电子器件，如表1所示；
表1 忆阻器的低功耗特性

（4）存算一体：忆阻器在电压激励下能够自动改变自身阻态（存），且同时输出该输入电压产生的响应（算）[1]，这种特性使得忆阻器计算机能够突破传统计算机的冯·诺依曼瓶颈，即存储单元与控制单元是分离的，计算与存储两个过程在这两个单元中频繁切换进行。随着算力需求与大模型的横空出世，这种频繁切换的频率需求将会与时俱增，这会带来超大的计算机功耗负担。目前只有忆阻器能完美地解决这个问题。这一点是我认为未来是二端器件的天下的主要原因；
（5）突触可塑性：在双极性周期性电脉冲（或光脉冲）的激励下，忆阻器能够产生稳定且非易失的阻态分布，这与生物神经突触的LTP与LTD的表现完全一致。另外，阈值型忆阻器在受到连续脉冲的激励下会发放spike并改变自身的阻态，这与动物大脑内的脉冲激励原则完全一致，且通过理论与实验证明，忆阻器可在双极性周期性脉冲下实现STDP，且能够通过Hebbian学习法则更新突触。在忆阻器应用之前，有人做过突触晶体管，但是由于晶体管的三端特征，导致晶体管会大概率存在串扰且电路面积较大的问题，因此用忆阻器来制作电子突触是更好的选择；
（6）神经元可塑性：一个诺贝尔生理学奖颁发给了一项巨型鱿鱼的大脑解剖实验[3]，这项实验为神经元的电学模型奠定了基础。在这项研究的结论中，研究人员发现神经元存在纳、钾、阴离子通道，通过控制通道蛋白质的开闭程度来控制离子的进出。当受到刺激时，神经元会存储并累积离子，形成动作电位。当动作电位达到一定阈值时，神经元会向前发放一个电脉冲（信号）并释放掉存储的离子，恢复到静息电位。神经元之间的信息传递就是靠这种原理实现的，这种电学模型被称为泄露-积分-点火(Leaky-Integral-firing, LIF)模型，在忆阻器问世前，人们利用并联电容与变阻器的方式设计了LIF神经元的电路模型——Hodgkin Huxley模型[3]，如图1所示。后来随着光刻机的进步，二维纳米材料的制备成为了现实。根据惠普忆阻器模型，忆阻器在纳米级别的尺寸下才能有较好的多阻态特性。因此忆阻器可作为纳米级别的变阻器，这使得基于忆阻器的LIF神经元集成到电子芯片在理论上具备了可行性，且同时满足（2）的优势；

图1 Hodgkin Huxley模型
（7）忆阻器神经网络（MNN）：根据欧姆定律$I=G\cdot V$，而人工神经网络（ANN）中的输出神经元状态满足$y=W\cdot x$。因此两者在线性空间上存在一致性，可用电导值G来等效ANN中的权重$W$。在神经网络中，输出值是所有输入与权重的线性组合，即对所有$x_i$与$W_{ij}$计算得到$y=W\cdot x$的累加值（此处为了方便理解不引入偏置项b），若将各个忆阻器并联，则对于输入信号$(V_1,V_2,\dots ,V_n)$，输出电流$I＝G_1{V}_1+G_2{V}_2+\cdots +G_n{V}_n$，因此忆阻器可搭建硬件神经网络具备了可行性，如图2。

图2 忆阻器神经网络的crossbar阵列设计[4]
但是这只代表了神经网络的前向传播（FF）过程，而负责训练神经网络的反向传播（BP）过程是非线性微分运算的过程（常见方法为损失函数梯度下降算法）来更新权重，这在忆阻神经网络中反映为更新电导（阻态）。因此人们在不断探索硬件上实现电导更新的方法（本人的研究方向），并在这条充满挑战的道路上不断前行。相信忆阻器能为人们在未来的生活产生深远的影响。以上是我认为忆阻（二端）器件能够成为未来主流的几点理由。

参考文献

[1] Strukov, Dmitri B., et al. “The missing memristor found.” nature 453.7191 (2008): 80-83.
[2] Yang, J. Joshua, Dmitri B. Strukov, and Duncan R. Stewart. “Memristive devices for computing.” Nature nanotechnology 8.1 (2013): 13-24.
[3] Nelson, Mark, and John Rinzel. “The hodgkin-huxley model.” The book of genesis (1995): 29-49.
[4] Zhang, Wei, et al. “Hardware‐Friendly Stochastic and Adaptive Learning in Memristor Convolutional Neural Networks.” Advanced Intelligent Systems 3.9 (2021): 2100041.

---

如果您觉得以上内容有参考意义或帮助，劳烦您给出好评/点赞！