由南安普顿大学领导的一项新研究表明，一种被称为忆阻器的纳米级设备可以用来为模仿人类大脑的人工系统提供动力。

人工神经网络表现出学习能力，能够完成传统计算系统难以完成的任务，如模式识别、在线学习和分类。由于缺乏有效的硬件突触，ANN的实际实现目前受到阻碍;每个人工神经网络都需要大量的关键组件。

在这项发表在《自然通讯》杂志上的研究中，南安普顿研究小组通过实验证明了一种使用记忆电阻器突触来支持复杂学习规则的神经网络，以便对有噪声的输入数据进行可逆学习。

忆阻器是限制或调节电路中电流流动的电子元件，它可以记住流经电路的电荷量并保留数据，即使在电源关闭的情况下也是如此。

作者亚历克斯塞族博士来自南安普顿大学的电子和计算机科学,说:“如果我们想构建人工系统,可以模拟大脑的功能和我们需要使用数千亿美元,甚至数万亿人工突触,其中许多必须能够实现学习规则的不同程度的复杂性。虽然目前可用的电子元件当然可以拼凑成这样的突触，但如果不设计新的定制“突触元件”，就很难达到所需的功率和面积效率基准(如果可能的话)。

“记忆电阻器通过支持学习突触的许多基本功能(记忆存储、在线学习、强大的计算学习规则实现、双端结构)，以极其紧凑的体积和极低的能量消耗，为实现这一目标提供了可能的途径。”因此，如果人工大脑要成为现实，记忆突触必须成功。”

金属氧化物忆阻器阵列就像大脑中的突触，能够在无监督的情况下，在概率赢家通吃(WTA)网络中学习和再学习输入模式。这对于低功耗嵌入式处理器(物联网所需要的处理器)是非常有用的，它可以处理实时的大数据，而无需事先了解数据。

合著者Themis Prodromakis博士是Nanoelectronics的读者，也是南安普顿大学电子和计算机科学EPSRC的研究员。我们的工作建立了这样一种技术范式的转变，证明纳米级的忆阻器确实可以用于构建用于实时处理大数据的硅内神经回路;现代社会的主要挑战。

“我们已经证明，这样的硬件平台可以独立地适应环境，不需要任何人为干预，而且在实时可靠地处理即使是有噪声的数据方面，也具有很强的弹性。”这种新型的硬件可以在广泛的传感技术中找到各种各样的应用，在恶劣或难以到达的环境中进行实时监控;这是实现物联网远景的一种非常理想的能力。”