存储电阻器的功耗极低，并且行为类似于脑细胞。由伊利亚·瓦洛夫（Ilia Valov）领导的于利希（Jülich）研究人员现在在《自然通讯》（Nature Communications）上介绍了一种新型存储电阻元件，具有显著优势：它们更为坚固，工作电压范围更广，并且可以同时在模拟和数字模式下运行。这些独特的特性可能有助于解决“灾难性遗忘”的问题，即人工神经网络突然忘记之前学习的信息。
被称为存储电阻器的这些器件功耗极低，并且行为类似于脑细胞。由伊利亚·瓦洛夫（Ilia Valov）领导的于利希（Jülich）研究人员现在在《自然通讯》（Nature Communications）上推出了一种新型存储电阻元件，具有比以往版本显著的优势：它们更为坚固，工作电压范围更广，并且可以同时在模拟和数字模式下运行。这些特性可能有助于解决“灾难性遗忘”的问题，即人工神经网络突然忘记之前学习的信息。
当深度神经网络为新任务训练时，发生“灾难性遗忘”问题。这是因为新的优化简单地覆盖了以前的内容。大脑没有这个问题，因为它显然可以调整突触变化的程度；专家现在也在谈论所谓的“元塑性”。他们怀疑正是通过这些不同程度的可塑性，我们的大脑才能在不忘记旧内容的情况下永久学习新任务。新的存储电阻器实现了类似的功能。
彼得·格伦伯格研究所（PGI-7）的伊利亚·瓦洛夫（Ilia Valov）表示：“其独特的属性允许使用不同的开关模式来控制存储电阻器的调制，从而不丢失存储的信息。”
神经启发设备的理想候选者
现代计算机芯片发展迅速。存储电阻器–一个来源于“记忆”（memory）和“电阻器”（resistor）的术语–可能会进一步推动这一发展。这些元件本质上是具有记忆的电阻器：它们的电阻值依赖于施加的电压，而与传统的开关元件不同，它们的电阻值在电压关闭后仍然保持。这是因为存储电阻器可以经历结构变化，例如，由于原子在电极上沉积。
伊利亚·瓦洛夫（Ilia Valov）表示：“存储电阻元件被认为是仿生智能计算组件的理想候选者，这些组件是根据大脑进行建模的。”
尽管取得了相当大的进展和努力，元件的商业化进展却比预期缓慢。这主要是由于生产过程中往往较高的故障率以及产品的短寿命。此外，它们对热量产生或机械影响敏感，这可能导致在操作过程中频繁发生故障。“基础研究因此对更好地控制纳米级过程至关重要，”瓦洛夫说，他在这个存储电阻器领域工作多年。“我们需要新材料和开关机制来简化系统的复杂性，并增加功能范围。”
在这一方面，这位化学家和材料科学家与德国和中国同事合作，现在能够报告一个重要的成功：“我们发现了一种根本新的电化学存储电阻机制，具有化学和电气上的更高稳定性，”瓦洛夫解释说。该开发成果目前已在《自然通讯》（Nature Communications）上发表。
存储电阻器的新机制
瓦洛夫解释说：“到目前为止，已经确定了所谓双极存储电阻器的两种主要机制：ECM和VCM。”ECM代表“电化学金属化”（Electrochemical Metallization），VCM代表“价态变化机制”（Valence Change Mechanism）。
- ECM存储电阻器在两个电极之间形成一根金属线–一个微小的“导电桥”，改变电阻并在电压反转时再次溶解。这里的关键参数是电化学反应的能量障碍（电阻）。这种设计允许较低的开关电压和较快的开关时间，但生成的状态是变化的，且相对短暂。
- VCM存储电阻器则不是通过金属离子的运动改变电阻，而是通过氧离子在电极和电解质之间的界面运动—-通过修饰所谓的肖特基势垒（Schottky barrier）。这个过程相对稳定，但需要较高的开关电压。
每种类型的存储电阻器都有其自身的优缺点。“因此，我们考虑设计一种结合这两种类型优点的存储电阻器，”伊利亚·瓦洛夫（Ilia Valov）解释说。在专家的圈子里，这之前被认为是不可能的。“我们的新存储电阻器基于一个完全不同的原理：它利用由金属氧化物制成的线材，而不是像ECM那样纯金属的。”瓦洛夫解释说。这根线材是通过氧和钽离子的移动形成的，并且非常稳定–它从未完全溶解。“你可以把它想象成一根始终以某种形式存在，并且仅仅是化学上被修饰的线材，”瓦洛夫说。
因此，新的开关机制是非常强大的。科学家们还称其为线材导电性修饰机制（filament conductivity modification mechanism）（FCM）。基于这一机制的组件具有多个优势：它们在化学和电气上更稳定，更能抵抗高温，具有更宽的电压窗口，并且所需电压更低。因此，在制造过程中较少的组件会烧毁，废品率较低，它们的使用寿命更长。
应对“灾难性遗忘”的前景解决方案
此外，不同的氧化态允许存储电阻器在二进制和/或模拟模式下运行。二进制信号是数字的，只能输出两种状态，而模拟信号是连续的，可以取任何中间值。这种模拟和数字行为的结合对于仿生芯片尤其有趣，因为它可以帮助克服“灾难性遗忘”的问题：深度神经网络在为新任务训练时会删除已学习的内容。这是因为新的优化简单地覆盖了之前的内容。
大脑没有此问题，因为它显然可以调整突触变化的程度；专家们现在也在谈论所谓的“元塑性”。他们怀疑正是通过这些不同程度的塑性，我们的大脑才能在不忘记旧内容的情况下永久学习新任务。新的欧姆存储电阻器实现了类似的功能。“其独特的属性允许使用不同的开关模式来控制存储电阻器的调制，从而不丢失存储的信息，”瓦洛夫说。
研究人员已经在模拟中将新的存储电阻组件实施到人工神经网络模型中。在多个图像数据集上，该系统在模式识别中的准确率达到了很高的水平。未来，团队想要寻找其他材料的存储电阻器，这些材料可能工作得甚至比这里介绍的版本更好、更稳定。“我们的结果将进一步推动‘存储计算’应用的电子技术发展，”瓦洛夫坚信。
