多端忆阻系统中的忆阻与跨忆阻

为什么微小记忆电路很重要

像人工智能和类脑计算这样的现代技术需要能够学习和适应的硬件，而不仅仅是存储数据。忆阻器件——那些其电阻会记忆过去信号的微小元件——已经成为有前途的候选者。本文探讨了如何用一个统一的框架来描述和控制由许多此类器件互联并通过多个电气端子访问的集合。该框架不仅帮助工程师设计新型计算硬件，还提供了工具，用以探测信息如何在复杂、自组织的纳米线网络中流动。

从简单记忆到复杂网络

早期的忆阻器件只有两个端子，类似于根据其经历的电信号改变电阻的标准电阻器。这些基本元件已经被用于构建快速、低功耗的存储器并加速机器学习算法。通常，它们被排列成整齐的交叉栅格——在规则、有序的阵列中，每个交点以特定电阻存储一个数值。然而，研究人员也开始探索由许多相互作用的忆阻元件构成的更不规则系统，例如缠结的纳米线或纳米颗粒网络。在这些系统中，整体行为不再主要由单个器件决定，而更多地取决于整个网络如何随时间对刺激模式做出集体响应。

多端，多视角

作者把通常的两端描述推广到所谓的多端忆阻系统。不再只有一个输入和一个输出，这些系统具有多个可访问端子，这些端子既可以由电压驱动，也可以悬空。一个称为忆阻矩阵的数学对象将所有非悬空端子的电压与电流联系起来，并随着网络内部状态的变化而演化。测量任意两端子之间不断变化的电学“距离”，可以揭示它们之间的有效电阻如何随着刺激模式而增大或减小。这个想法至关重要，因为它意味着我们在一对端子上观察到的现象反映了网络隐藏内部如何重组自身。

从旁观测隐藏变化

这项工作的一个关键进展是将忆阻（在受激端子处观察到的电阻变化）扩展到跨忆阻，它捕捉了在一对端子处的刺激如何影响在另一对端子上测量到的信号。在实践中，这意味着你可以在一个位置施加电压，然后在别处观察由此产生的电压或电流变化，从而从多个视点“监听”网络内部的重构。这个概念首先在理论上通过图模型来发展，其中节点代表区域或结点，边作为随时间变化强度的忆阻连接。随着网络被驱动，某些路径变得更导电然后再放松，这些变化在不同端子对之间耦合强度的变化中得到反映。

会学习的真实纳米线网

为证明这些想法在实践中适用，作者研究了由金属纳米线自组织形成并由金属电极阵列接触的网络。每个电极接触许多导线，众多线-线结点充当微小的忆阻元件。当在一对电极之间施加电压脉冲时，该对电极处的电流响应和测得的电阻表现出典型的“学习与遗忘”模式：在脉冲期间电阻下降，随后缓慢恢复。同时，在其他未受激的电极对上测得的电压以相关的方式演化，显示出跨忆阻行为。通过将这些测量用忆阻矩阵和相关图工具来解释，研究者可以推断网络内部连通性随时间如何变化，尽管单个结点并不可直接观测。

走向新型自适应硬件

简而言之，这项工作展示了如何把复杂的多端忆阻网络视为统一且可调的对象，其内部状态既可以在不同位置被驱动，也可以被读取。忆阻告诉我们网络在被触发处如何响应；跨忆阻告诉我们这种响应如何在系统的其余部分中传播。两者共同提供了反映纳米尺度组件隐藏动态的可观测量。这个统一框架连接了电路理论、网络科学与材料物理，为新的表征方法铺平道路，并为利用忆阻网络的自然自适应动力学而非僵硬数字逻辑执行计算的硬件提供了可能性。

引用: Milano, G., Pilati, D., Michieletti, F. et al. Memristance and transmemristance in multiterminal memristive systems. Sci Rep 16, 5271 (2026). https://doi.org/10.1038/s41598-026-35671-7

关键词: 忆阻网络, 类脑硬件, 纳米线网络, 水库计算, 自适应电子学