近几年来,忆阻器作为一种新兴的电子元件在非易失存储和神经仿生方面都有重要的应用。忆阻器是具有电容结构,能够被多次写入和非破坏性读取的二端器件,它是下一代存储器的有力竞争者。除了作为存储器件,忆阻器作为一种具有可调整状态的二端器件,与生物突触具有高度的相似性,基于忆阻器的大规模神经网络有望实现类脑计算系统,在生物神经仿生领域也具有很高的研究价值。神经网络已经具有几十年的研究历史,近年来由于深度神经网络的提出大大拓展了神经网络的应用领域,同时神经网络的能力也逐渐达到甚至超过人类水准,各种基于深度神经网络的智能设备逐渐进入人们的生活中。然而,神经网络也存在着对计算资源要求高,能源消耗大等问题。基于忆阻器的神经网络硬件是解决这些问题的可能方法之一。目前,忆阻器在神经网络中主要用于搭建突触,而利用忆阻器搭建神经元和神经网络的研究较少。忆阻器应用在神经网络时遇到的主要困难有:忆阻器的随机性、Crossbar结构阵列中的潜通路和串扰对模拟运算精度的影响、大规模神经元和突触的集成以及忆阻器和CMOS工艺的兼容性等。本文主要开展了忆阻器的特性及其在神经网络中的应用研究,并设计了一种基于忆阻器的存算一体神经网络加速器。主要成果包含以下三点:1.提出了一种基于忆阻器的脉冲积分型神经元和一种在线学习型突触,并完成了建模、设计和功能测试。脉冲积分型神经元采用忆阻器的电阻值保存膜电位,通过脉冲频率编码方式减轻了忆阻器随机性对神经元性能的影响,使基于忆阻器的神经元特性在统计意义上与神经元模型一致。由于基于忆阻器的神经元面积较小,相较于基于电容的神经元更容易大规模集成,适合搭建大规模的神经网络系统。在线学习型突触将突触前信号和突触后信号的时间差转换成幅度编码的脉冲,并通过脉冲调制忆阻器的电导,从而实现突触权重的在线更新。2.仿真、搭建和测试了基于忆阻器的Hopfiled网络和前馈型神经网络:基于忆阻器构建了Hopfiled网络,按照同步或异步的方式更新神经元状态,实现了单目标/多目标记忆和记忆的混淆,展现了类似大脑的联想记忆功能;提出了一种可实现在线训练的多层前馈网络,基于深度学习中的反向传播算法,通过幅度调制的前向传播信号和延迟调制的反向传播信号的叠加并作用在阈值型忆阻器上,完成了突触权重的在线更新,从而实现了网络的在线训练功能。3.仿真、搭建和测试了2种基于忆阻器的脉冲神经网络:提出了一种具有短时程可塑性Winner-Takes-All网络,通过突触形成神经元的兴奋性连接或抑制性连接,结合忆阻器电导和容性记忆回路,实现了突触的短时程可塑性,该网络展示了生物神经系统中“赢者通吃”模式的演化过程;提出了一种基于忆阻器的脉冲积分型卷积神经网络,在训练时通过删除负权重的方法使网络中的权重值都为正值,即网络中只有兴奋性突触,从而简化了突触的结构。该网络实现了手写数字的识别,达到了97.1%的识别准确率。4.设计了一种基于忆阻器无数模转换的存算一体神经网络加速器。通过1bit忆阻器的逻辑运算和行波计数器对字线的计数,在Crossbar阵列中实现了并行的乘累加操作,避免了在模拟域的运算,消除了存算一体神经网络的Crossbar忆阻器阵列中器件随机性、潜路径和串扰的影响,从而能够支持完整精度的神经网络算法。存内计算部分的功耗仅为318 m W。