随着人工智能处理需求不断增长，神经形态计算作为一种模仿人脑结构的硬件和软件技术，有望提升信息处理的速度和能效。密歇根大学工程学院的研究人员在《ACS Nano》期刊上发表了一项研究，展示了一种由二维硒化铋(Bi₂Se₃)层制成的新型忆阻器，它结合了长期数据保持和模拟调谐功能，旨在优化AI硬件的性能。

这种Bi₂Se₃忆阻器同时具备长期数据保持、模拟式记忆状态以及无需外部调节器即可在电路中工作的能力，这些特性此前在实际忆阻器中难以共存。在演示中，它成功控制了一个平衡杠杆，作为全模拟、全硬件储层计算网络的一部分。密歇根大学机械工程教授、该研究的通讯作者Xiaogan Liang表示：“我们的工作为制造构建硬件神经网络的关键组件提供了新途径。所展示的忆阻器能以AI电路设计师喜爱的方式真正工作。”

忆阻器是一种能根据过往电流或电压调整电阻的设备，实现内存计算，这是神经形态计算的核心。研究团队在硅衬底上制造了垂直排列的Bi₂Se₃忆阻器交叉阵列，通过光刻技术和物理气相沉积工艺，确保与现有半导体制造方法兼容，展示了可扩展性。测试显示，该忆阻器具有10-40%的模拟电导调谐能力和稳定的数据保持性，无需外部电流调节器。

在实验中，研究人员将Bi₂Se₃忆阻器集成到全模拟全硬件储层计算网络中，用于控制平衡杠杆。它成功计算了螺旋桨的旋转角度以实现90度平衡，避免了模数转换，功耗仅约7微瓦。如果扩大规模，这种新型忆阻器有望推动神经形态计算设备的发展，提高AI硬件的能效和处理速度。

出版详情：作者：Patricia DeLacey, University of Michigan College of Engineering；标题：《Memristor demonstrates use in fully analog hardware-based neural network》；发表于：《ACS Nano》(2026)。