自組織映射網絡（SOM，圖1a），又稱“Kohone網絡”，是一种受大脑拓扑结构启发的功能强大的无监督学习神经網絡。相比经典的多维尺度或主成分分析等线性算法，SOM具有更強大的數據聚類能力，在語言識別、文本挖掘、財務預測和醫學診斷等聚類和優化問題方面展現出獨特的優勢。但基于傳統CMOS硬件實現SOM受到計算相似性和確定鄰域的複雜性的限制，且存在電路結構複雜、能量面積開銷大、缺乏對相似度的精確計算等問題。如何構建簡潔、高效、精確的SOM硬件仍然是一大挑戰。憶阻器作爲一種新型可編程非易失存儲器件，其交叉陣列結構具有支持並行計算和存內計算的天然優勢，爲SOM的硬件實現提供了新途径。

　　近日，微电子所劉明院士团队和复旦大学刘琦教授团队利用憶阻器陣列（圖1b&c）構建SOM網絡中的权值矩阵，首次实现了高效的SOM硬件系統。爲解決SOM中神經元和輸入特征數量增加時硬件系統複雜度加劇的問題，團隊提出了一種新型的多附加行憶阻器陣列架構（圖1d），該架構將憶阻器陣列分爲兩個部分，一部分作爲數據行存儲權值信息，另一部分作爲附加行存儲權值的平方和。輸入向量和權值向量之間的相似性可以通過一步讀操作實現，且不需要歸一化權值。基于該硬件系統，團隊成功演示了數據聚類、圖像分割、圖像壓縮等應用並成功用于解決組合優化問題（圖2）。實驗結果表明，在不影響成功率或准確度的基礎上，與CMOS系統相比，該系統具有更高的能源效率和計算吞吐量。此外，由于其非監督的特點，應用場景更加豐富，更加迎合現實生活的需求，爲憶阻器基智能硬件的構建開辟一條新途徑。 

　　該研究得到了國家重點研發計劃、國家自然科學基金委、國家重大科技專項、浙江省重點科研項目等項目支持。研究成果以“Implementing in-situ Self-organizing Maps with Memristor Crossbar Arrays for Data Mining and Optimization”爲題在《自然·通訊》（Nature Communications）上在线发表。微电子所王睿博士为第一作者，复旦大学芯片与系统前沿技术研究院教授刘琦研究員和微电子所时拓副研究員为共同通讯作者。 

圖1 SOM原理圖及其基于忆阻器阵列的实现。(a)SOM網絡原理圖。(b)憶阻器的典型I-V曲線。(c)128×64 1T1R忆阻器阵列光学实物圖。(d)1T1R憶阻器陣列實現2D-SOM的原理圖。 

圖2 憶阻器基SOM系統的應用。(a)圖像处理（分割）；(b)求解組合優化問題（TSP問題）。 

原文鏈接：https://www.nature.com/articles/s41467-022-29411-4