这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
本研究的主要作者包括Hakcheon Jeong、Seungjae Han、See-On Park等，他们来自韩国科学技术院（KAIST）、首尔大学、成均馆大学等多个研究机构。该研究于2025年2月发表在《Nature Electronics》期刊上。
该研究属于人工智能（AI）和边缘计算（edge computing）领域，特别是基于忆阻器（memristor）的模拟计算平台。传统的AI训练依赖于集中式计算环境（如高性能工作站或云基础设施），虽然可靠，但存在高延迟、网络带宽浪费、运营成本高以及数据隐私和安全问题。边缘计算通过将计算任务移至数据源附近，能够减少延迟、节省网络资源，并增强数据安全性。然而，边缘设备通常资源有限，难以高效运行AI算法。
忆阻器因其在模拟域中的并行计算能力，被认为可以用于构建紧凑且节能的AI边缘计算系统。然而，基于忆阻器阵列的系统在实现实时AI算法时面临可靠性问题，如低良率、均匀性差和耐久性问题。本研究旨在开发一种基于无选择器（selector-less）模拟忆阻器阵列的计算平台，以解决这些问题，并实现实时AI边缘计算。
忆阻器阵列设计与优化
研究团队设计了一种界面型钛氧化物（TiOx）忆阻器，其具有渐变的氧分布，表现出高可靠性、高线性度、无形成（forming-free）特性和自整流（self-rectification）特性。该忆阻器阵列由32×32的无选择器交叉阵列、外围电路和数字控制器组成，能够在模拟域中运行AI算法，且无需补偿操作或预训练。
硬件平台搭建
研究团队构建了一个硬件平台，包括模拟计算单元和摄像头。该平台能够实时处理来自摄像头的视频流，验证其在边缘计算应用中的能力。平台的核心是32×32的忆阻器交叉阵列，外围电路包括脉冲发生器、列多路复用器和读出电路，集成在一块定制的印刷电路板（PCB）上。控制信号由现场可编程门阵列（FPGA）评估板生成。
忆阻器阵列性能测试
研究团队对忆阻器阵列进行了详细的电气特性测试，包括器件间变化、周期间变化、耐久性和良率。测试结果显示，器件间变化低于6%，周期间变化低于2.8%，耐久性超过10^7次脉冲，且32×32阵列的良率达到100%。
实时视频处理与自监督学习
研究团队开发了一种自监督学习算法，用于视频的前景和背景分离。该算法通过梯度下降在忆阻器阵列上进行实时训练，无需预训练过程。实验表明，该系统能够在32×16像素的视频分辨率下实现30.49 dB的峰值信噪比（PSNR）和0.81的结构相似性指数（SSIM），与理想情况下的仿真结果相似。
大规模视频处理仿真
研究团队通过仿真评估了系统在处理大规模视频数据时的能力。仿真结果显示，即使在设备间变化和周期间变化较大的情况下，系统仍能有效地分离视频的前景和背景。仿真预测的PSNR和SSIM分别为30.96 dB和0.80，与实验结果一致。
忆阻器阵列的高可靠性
测试结果表明，忆阻器阵列具有低器件间变化、低周期间变化、高耐久性和高良率，能够支持高效的模拟计算。
实时视频处理能力
实验证明，该系统能够在边缘设备上实时处理视频数据，分离前景和背景，且无需外部硬件辅助。通过提取关键信息并消除冗余，该系统能够减少带宽需求和运营成本。
自监督学习算法的有效性
自监督学习算法能够在忆阻器阵列上进行实时训练，并自动校准硬件非理想性，确保系统在频繁信息变化的环境中持续适应。
本研究开发了一种基于无选择器模拟忆阻器阵列的模拟计算系统，能够高效执行实时AI边缘计算任务。该系统具有高可靠性、简单架构和模拟域内的设备上训练能力，能够自动补偿硬件非理想性，并在实时视频处理任务中表现出色。该研究为在去中心化环境中实现基于忆阻器的在线训练提供了重要的一步。
高可靠性忆阻器阵列
通过优化界面型钛氧化物忆阻器，实现了低变化、高耐久性和高良率的忆阻器阵列。
无选择器阵列设计
采用无选择器阵列简化了硬件架构，减少了外围电路的复杂性，提高了计算效率。
实时自监督学习
开发的自监督学习算法能够在忆阻器阵列上进行实时训练，并自动校准硬件非理想性，适用于频繁信息变化的环境。
大规模视频处理能力
通过仿真验证了系统在处理大规模视频数据时的潜力，展示了其在复杂应用中的适用性。
研究团队还详细分析了忆阻器阵列的非理想性，如线电阻对阵列结构的影响，并与其他传统忆阻器进行了对比。此外，研究团队还探讨了忆阻器在模拟生物突触可塑性方面的潜力，如短时程增强/抑制（short-term potentiation/depression）和脉冲电压依赖性可塑性（spike-voltage-dependent plasticity）等。