忆阻储备池学会学习

忆阻储备池的灵感来源于一类被称为纳米线网络的新颖神经形态硬件。这些系统展现出涌现的类脑动力学特性，并在动力学相变处表现出最优性能。与通过随机存取存储器提供全局可控性的神经形态硬件不同，这些网络中仅有有限数量的电极可用于调制系统动力学。我们证明了学会学习（learn-to-learn）框架能够在优化背景下有效应对这一挑战。利用该框架，我们成功确定了储备池的最优超参数。这一发现与先前研究一致，即忆阻储备池的最优性能出现在导电通路“形成边缘”（edge of formation）处。此外，我们的结果表明这些系统能够模拟在脉冲神经元中观察到的膜电位行为，并可作为基于脉冲与连续过程之间的接口。