中国科学院微电子所在忆阻神经-模糊硬件及应用探索方面取得新进展

一分耕耘，一分收获！既然打开了这篇文章《中国科学院微电子所在忆阻神经-模糊硬件及应用探索方面取得新进展》，就坚持看下去吧！文中内容包含等等知识点...希望你能在阅读本文后，能真真实实学到知识或者帮你解决心中的疑惑，也欢迎大佬或者新人朋友们多留言评论，多给建议！谢谢！

神经符号人工智能（Neuro-Symbolic AI）因其可解释性和适应性强，日益受到关注。它结合符号知识和深度学习，提升了推理和泛化能力，但在硬件实现方面仍面临挑战。

中国科学院微电子研究所刘明院士团队研发了一种基于忆阻器交叉阵列的全新神经符号计算系统。该系统采用忆阻器阵列表示模糊逻辑和规则形式的符号知识，利用忆阻器固有的随机性增强系统鲁棒性，并提升推理性能。针对原位训练效率低下的问题，团队创新性地提出了一种软硬件协同优化的混合原位训练技术，有效降低累积误差。

实验结果表明，该忆阻神经模糊计算硬件的能效比FPGA高出两个数量级以上，能耗仅为ASIC的约1%。在机器人导航实验中，该系统展现出优异的适应性，学习速度提升约6.6倍，错误率降低约6倍，显著优于深度学习方法。

该研究成果以“Stochastic neuro-fuzzy system implemented in memristor crossbar arrays”为题发表在《科学·进展》（Science Advances）期刊。微电子所时拓副研究员为第一作者，河北大学闫小兵教授和复旦大学刘琦教授为共同通讯作者。该研究得到了国家重点研发计划、国家自然科学基金委和中国科学院战略先导B类专项等项目的资助。

图示说明: 该图展示了：(A) 模糊推理系统与新型神经模糊系统的架构对比；(B, C) 隶属度函数的隐式和显式实现；(D) 通过稀疏连接实现模糊规则的前件；(E) 基于忆阻交叉阵列的去模糊化硬件实现；(F) 基于忆阻硬件的实时机器人导航实验；(G) 机器人运动轨迹的实时地图可视化；(H, I) 神经模糊硬件在原位训练中角速度和线速度的收敛速度及测试误差率。

到这里，我们也就讲完了《中国科学院微电子所在忆阻神经-模糊硬件及应用探索方面取得新进展》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于中国科学院的知识点！