神经形态机器，由脉冲神经元和可塑性突触构成，具有存算一体、事件驱动、低功耗等特点，是智能化时代进行高效任务处理的有力竞争者。忆阻器具备丰富的器件动力学特性和生物单元相似性，被认为是后摩尔时代构建神经元和突触电路的理想硬件单元。然而目前基于忆阻器的神经元功能非常有限，并且支持在线学习的忆阻器基神经形态系统硬件演示极具挑战性。
针对以上问题，本文提出了忆阻器-CMOS混合设计的方案，构建了一种混合脉冲神经元电路以丰富神经元的功能。该神经元电路利用忆阻器的物理动力学实现了泄露积分发射功能，并借助于简单的CMOS电路对连接的突触权重进行原位调节。进一步将该神经元电路与忆阻器突触结合，验证了一个全硬件的脉冲神经网络系统，并实现了原位Hebbian学习。该工作为基于忆阻器实现脉冲神经元电路开辟了新道路，为构建自适应动态学习的神经形态机器提供了技术支持。
上述成果于2021年8月份发表在《Science Bulletin》期刊上（https://doi.org/10.1016/j.scib.2021.04.014），复旦大学芯片院博士后张续猛和中科院微电子所博士生卢建为该工作的共同第一作者，复旦大学芯片院刘琦教授为通讯作者。上述工作得到了国家重点研发计划、国家自然科学基金、中国科学院、之江实验室、博士后科学基金的相关项目资助。
（a）忆阻器基神经元器件的电学特性，忆阻器-CMOS混合神经元电路及其放电特性；
（b）基于忆阻器神经元和突触的两层SNN硬件系统及用于数字识别的输出结果.
原文链接：https://www.sciencedirect.com/science/article/pii/S2095927321002735
