神经形态硬件是一种参考人类神经系统计算框架、计算模式，模拟神经元和突触功能的芯片或系统，是当前实现类脑计算的主要途径，也是当前人工智能硬件领域的研究热点，每年均产生大量研究成果。其中由忆阻器制成的神经形态硬件发展起步早、成果多，有望率先实用，以解决当前深度学习人工智能系统的功耗与能效问题。2023年3月，受美国国防部“多学科大学研究计划”自主，TetraMem初创公司、马萨诸塞州大学、麻省理工学院、南加州大学合作，研制出具有2048个电导水平的忆阻器阵列，可用于实现最新的“普通计算”方法。

　　1980年代后期，美国科学家、工程师和微处理器先驱卡佛·米德（Carver Mead）教授提出了神经形态的概念，开创了神经形态工程学。神经形态工程的研究内容是利用超大规模集成电路，通过特殊排列，模拟人类神经系统的生物学结构与功能。经过30多年发展，神经形态硬件的可性能已被充分证明，其潜在优势也得到业界认可。

　　当前计算机都是根据冯诺依曼架构设计制造的，中央处理单元和数据存储单元相互分离，通过数据总线连接。中央处理单元需要通过总线才能取得数据，并且需要将处理结果通过总线再存入存储器，信息处理能力受总线容量的限制，即所谓“冯诺依曼瓶颈”。此外两者沿着各自的目标发展，导致不同硬件之间存在较大性能差距与集成方式问题，难以高效完成非结构化数据的深度处理。

　　神经元是神经网络的基本组成单位，由胞体、众多树突、单个轴突组成，信息由树突接收、胞体处理，之后以脉冲形式通过轴突向下一级神经元传递。这种原理决定了模仿神经元的神经形态硬件天然具有存算一体的信息处理方式，在原理上具有非常高效的计算能力。

　　由传统计算机构建的高性能计算系统在执行大规模并行运算时，会将大量电能耗费在处理单元和内存间的数据通信上。而由大量神经元组成的神经网络在工作时，无需进行信息的反复传输，直接在神经元上完成运算，且每个神经元平均每秒仅发出几次信号，从而使整个神经网络可以非常低的功耗运行。仿照生物神经网络工作原理的神经形态硬件，理论上具有极低的运行功耗。

　　传统计算机系统一旦制成，基本不具备学习发展的能力，如中央处理器一旦制成，其功能和性能就确定了，无法改变。而生物神经元间的突触结构具有可塑性，可以根据神经活动而改变，使得生物神经元间的连接权重变化，实现学习能力。据此构建的神经形态硬件也有望复制这种自我学习发展的能力，通过学习改进，提升硬件性能。

　　神经形态硬件主要有电子、光学两大类构建途径，其中电子类神经形态硬件起步早、成果多，尤其是由忆阻器构建的神经形态硬件，已经取得了大量成果并进入了商业开发的早期阶段。

　　忆阻器是一种具有简单双端结构的器件，包含两个发送和接收电信号的电极和中间“存储”层，结构与电阻类似，可以高密度集成。忆阻器的电阻态可由电信号控制改变，且这种变化在电信号撤去后依然存在，因此具有非易失性。忆阻器的存算一体能力使其成为构建神经形态硬件的首选。

　　根据材料和物理机制，忆阻器件可分为阻变随机存储器（RRAM），相变存储器（PCRAM），磁随机存储器（MRAM）和铁电随机存储器（FeRAM）四种。此外还有光电忆阻器、有机材料忆阻器、流体忆阻器等。

　　阻变随机存储器主要包括电化学金属存储器（ECM）和价变化存储器（VCM）两种。电化学金属存储器也被称为导电桥型随机存储器（CBRAM），主要是依靠活泼金属电极Ag和Cu等的电化学溶解和沉积改变电阻，具有非常大的开关比，目前导电桥型随机存储器制成的选通管器件，可以用作神经元或作为高非线性元件串联形成阵列。价变化存储器也被称为氧化物阻变随机存储器（oxide-RRAM），其电阻变化依赖氧化物层固有的氧相关缺陷电化学反应，即在外界作用下氧离子/空位迁移形成导电丝，改变器件电导率。这种器件中离子漂移、扩散、热电泳以及缺陷的产生和重组离子动力学过程，与生物神经元的形态动力学近似，非常适合用于构建神经形态硬件。

　　相变型器件是受到外部刺激后，局部结构（物理、结构、电子结构）改变并引起电阻变化的存储器，主要包括相变随机存储器（PCRAM）和金属绝缘体转换器件（MIT）。相变随机存储器的相变层在晶态和非晶态间转换，引起电阻率和折射率变化，实现“0”与“1”的切换。目前研究热点主要集中在GeTe-Sb2Te3合金、Sb2Te掺杂材料。金属绝缘体转换器件（MIT）是一种利用“莫特”绝缘体相变的易失性忆阻器，无法用作存储器，但可以作为神经元，在脉冲放电后会自动复位，或作为阈值转换开关即选通管，用于在阵列中选通器件单元。

　　磁随机存储器（MRAM）是一种已经商用的非易失存储器，其“0”“1”的切换由隧道磁阻效应实现。其中，自旋转移扭矩磁随机存储器（STT-MRAM）技术最成熟，具有低于10纳秒的高切换速度，5×1014高耐擦写次数，以及较好的保持特性，但开关比太小，限制了集成度。

　　铁电随机存储器（FeRAM）的核心是铁电隧穿结（FTJ），通常由两个金属电极中间夹杂几纳米厚的铁电材料势垒层组成。铁电薄膜层可以自发极化，并在外部电场驱动下，在至少两个稳定取向间切换，并改变隧道结阻态。由于剩余极化的作用，改变的阻态具有非易失性。这种器件具有纳秒级读写速度，且切换能耗极低，同时存储密度很高，但不同铁电薄膜会导致器件的最佳特性不同。

　　忆阻人工突触：神经科学研究的结果表明，改变神经元之间突触连接的强度是记忆被编码和存储在中枢神经系统的机制。用忆阻器可以模拟突触的可变性，但需要满足一些条件：忆阻器需要具有8比特存储或256个电导状态，以满足学习所需精度；对于需要自我学习更新的突触，忆阻器还需具有较大的可擦写次数；对于无需自我学习更新的突触，忆阻器则需要有较长的电导状态保持特性。

　　忆阻人工神经元：生物神经元可以对输入的脉冲电信号进行原位运算，然后输出。IBM实验室于2016年率先提出使用相变存储器构建人工神经元的方法，但这种方法需要器件在达到低阻态后施加重置脉冲返回高阻态，增加了人工神经元电路的复杂度。