面向图像识别和时间序列预测的纳米孔氧化物储存器计算的可扩展平台
无序系统与神经网络
2026-02-05 v1 材料科学
摘要
典型的哺乳动物大脑中，神经元之间存在一定形式的随机连接。储存器计算是一种神经网络方法，利用其处理层中随机权重，内置循环连接、短期衰减记忆，显示出在处理时空信号方面具有时间和训练效率。本文制备了一种基于钀氧化物的薄膜存储器器件，具备以随机纳米孔形式呈现的内在结构非均匀性，并用于执行XOR运算、图像识别和时间序列预测和重构等计算任务。对于后者任务，我们选取了复杂的三维混沌Lorenz-63时间序列。通过对该设备施加三个时序电压波形 individually，并利用来自三个输出物理储存器的电流信号对读出层进行训练，我们在与无储存器情况相比，实现了令人满意的预测和重构准确率。该工作突显了使用全氧化物储存器系统实现可扩展、芯片级设备的潜力，为处理时序信号的高效神经电子学铺平了道路。
引用
@article{arxiv.2602.04619,
title = {Scalable platform enabling reservoir computing with nanoporous oxide memristors for image recognition and time series prediction},
author = {Joshua Donald and Ben A. Johnson and Amir Mehrnejat and Alex Gabbitas and Arthur G. T. Coveney and Alexander G. Balanov and Sergey Savel'ev and Pavel Borisov},
journal= {arXiv preprint arXiv:2602.04619},
year = {2026}
}