校内登录
研究意义：
随着人工智能尤其是深度学习的快速发展，传统冯·诺依曼计算架构在能耗、数据传输与并行处理等方面的瓶颈日益凸显，难以满足边缘智能对高效、实时与自适应计算的 需求。本研究面向这一挑战，探索以忆阻器为核心的神经形态计算架构，通过“存储—计算一体化”的方式，在硬件层面模拟人脑神经系统中学习、记忆与信息处理的协同机制，并构建具有多尺度动态特性的类脑神经网络模型，使系统具备类似生物智能的自适应与演化能力。相关研究有望突破传统人工智能依赖高算力与高能耗的发展路径，推动智能计算向高效、低功耗、类脑化的新范式演进，为新一代边缘智能计算系统的发展提供重要支撑。
研究内容：
1）忆阻神经元建模与非线性动力学行为研究
2）神经元耦合机制与链式传导动力学分析
3）忆阻神经网络构建与类脑信息处理机制实现
4）面向边缘智能的忆阻神经形态计算架构与系统级协同优化
5）类脑神经网络计算机制研究
成果情况：
1）已经在《Chaos, Solitons & Fractals》《Nonliear Dynamic》《Neurocomputing》等国际期刊发表论文20余篇，授权发明专利4项；
2）相关研究得到国家自然科学基金（编号：52077160）资助。
