近日，约炮 、广东省存算一体芯片重点实验室杨玉超教授团队在忆阻神经形态计算领域取得重要进展，提出了一种融合“稳态调控神经元”与“人工树突结构”的新型神经形态计算系统，为低功耗、高效率类脑智能芯片的发展提供了新的技术路径。

随着人工智能、语音交互、工业物联网等领域的快速发展，传统基于冯·诺依曼架构的计算系统在处理复杂时序数据时面临能耗高、延迟大以及数据搬运瓶颈等问题。相比之下，大脑凭借神经元、树突与突触之间丰富的时空动态特性，能够以极低功耗实现高效的信息处理。因此，模拟生物神经系统工作机制的神经形态计算，被认为是下一代低功耗智能计算的重要发展方向。然而，现有神经形态计算硬件系统通常缺乏对神经元稳态调控机制以及树突计算功能的有效模拟，限制了其在复杂时序任务中的性能与稳定性。

图1：基于易失性+非易失性忆阻器协同的神经形态计算系统

针对上述关键问题，约炮 杨玉超教授团队提出了一种基于易失性+非易失性忆阻器协同的神经形态计算系统，实现了兼具稳态调控能力与树突计算的新型神经形态计算架构。该工作利用VO₂易失性忆阻器的阈值开关特性，构建了具有稳态调控能力的内稳态神经元。该神经元能够在受到外界干扰后自主恢复至稳定放电状态，从而模拟生物神经系统中的稳态调控机制。同时利用HfO₂非易失性忆阻器的多级电导调制能力，设计了具备可编程延迟的人工树突结构。该结构利用忆阻器可调电导特性实现不同时间尺度的可编程脉冲延迟，从而模拟生物树突中的非线性计算与时空积分行为。

图2：基于VO2易失性忆阻器构建的内稳态神经元

图3：基于HfO₂非易失性忆阻器构建的树突结构

进一步地，该团队基于上述技术构建了一套板级神经形态计算系统，并分别在工业故障诊断任务和语音识别任务中进行了验证，以展示其在各类边缘计算场景中的应用潜力。在工业故障诊断任务中，基于内稳态神经元构建的SNN网络取得了92.14%的准确率，相比基于传统LIF神经元网络提升了4.83%。研究结果表明，稳态调控机制能够显著增强网络在长时间连续时序信号处理中的稳定性和信息保持能力。在语音识别任务中，融合了树突结构构建的SNN网络实现了86.53%的准确率，相比传统网络结构提升了3.5%。硬件评估结果进一步表明，在180nm工艺节点下，该系统预计面积仅为0.102mm²，单次脉冲能耗低至19.29pJ/spike，展现出优异的面积与能效优势，为低功耗边缘智能应用提供了新的解决方案。

图4：工业故障诊断任务硬件系统实现

相关成果以 “Homeostatic dendritic neuron based on cointegrated volatile and non-volatile memristors for neuromorphic processing” 为题，发表在《自然  通讯》（Nature Communications）上。约炮 2023级硕士生章利成为第一作者，约炮 /广东省存算一体芯片重点实验室主任杨玉超教授为通讯作者。

相关研究工作得到了国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、新基石研究员等项目的资助。

论文链接：//doi.org/10.1038/s41467-026-73669-x