近日，西安交通大学微电子学院韩传余副教授研究团队完成题为“Robust Memristive Reservoir Computing via Temporal Representation Mapping and Prototype-Based Structural Matching”（基于时间表征映射与原型结构匹配的鲁棒忆阻储备池计算）的研究工作，相关论文已发表至国际期刊 Neurocomputing。西安交通大学为论文第一作者单位，微电子学院本科生林子康为第一作者，本科生李睿捷为第二作者，韩传余副教授为通讯作者。论文链接：
https://www.sciencedirect.com/science/article/abs/pii/S0925231226024458
忆阻器具有非线性响应、短时记忆和历史依赖等特性，为构建低训练成本、面向硬件的储备池计算系统提供了重要器件基础。然而，在实际应用中，器件间差异（D2D）、循环间波动（C2C）以及异常高电流响应会改变储备池特征分布，使依赖精确幅值和固定决策边界的传统读出网络出现明显性能退化。如何在保留器件动态优势的同时降低非理想因素对推理结果的影响，是忆阻类脑计算走向可靠应用需要解决的关键问题。
针对这一问题，团队提出了一种以“时间表征映射—多原型结构匹配”为核心的鲁棒忆阻储备池计算框架。该框架首先通过双通道预处理和忆阻储备池前端提取局部非线性响应，再利用秩序编码将响应强弱转换为相对放电先后关系，最后采用基于 Spearman 相关性的多原型读出完成分类。与直接拟合连续幅值决策边界不同，该方法侧重比较样本与类别原型之间的全局有序结构，使局部异常响应不易主导最终判断。同时，原型通过无需反向传播的“拉近—推离”规则进行更新，兼顾了决策过程的可解释性与硬件实现友好性。
图1：提出的忆阻储备池计算框架总体架构
图2：Nexys A7 平台与多原型匹配数字后端架构
在 MNIST 手写数字识别任务上，所提出方法的无扰动测试准确率达到 92.67%±0.17%。在叠加实测 D2D/C2C 波动和 5 倍异常高电流响应的复合扰动下，测试准确率仍保持在 92.35%±0.35%，较无扰动条件仅下降 0.32 个百分点；作为对照，线性、MLP 和CNN -like读出网络分别下降 7.27、8.95 和 13.10 个百分点。在扩展至 100 倍异常响应的极端压力测试中，所提出方法的准确率降幅仍为 0.21 个百分点，而三类对照读出的降幅分别达到 53.54、59.54 和 65.59 个百分点。进一步的响应映射迁移实验显示，在六类代表性器件响应特征下，该框架的识别准确率稳定在 92.30%—92.91%，体现出对不同储备池响应形态的适配潜力。
在硬件层面，团队围绕算法各模块构建了对应实现路径：利用 Ti/W/NbOₓ/Nb/Pt 忆阻器的易失性短时记忆和非线性响应完成储备池映射；利用电成型后 NbOₓ 阈值开关器件构建泄漏积分发放（LIF）电路，将响应强度映射为首次放电时间；并在搭载 Artix-7 XC7A100T FPGA 的 Nexys A7 开发板上实现多原型匹配数字后端。通过将 Spearman 匹配等价转换为整数平方秩距离累加，数字后端避免了浮点相关运算和稠密矩阵乘法。
该研究表明，忆阻储备池计算的可靠性并不只取决于器件层面的波动抑制，也可以通过表征方式、相似性度量与读出结构的协同设计得到提升。其核心思路是将推理依据从对局部模拟幅值的精确依赖，转向对全局响应关系的结构化比较，为兼顾准确率、鲁棒性、可解释性和硬件可实现性的忆阻计算系统提供了新的设计路径。
