自上世纪中叶以来，计算机和计算芯片以晶体管为基本元件构建数字处理电路，摩尔定律驱动计算性能增长。而当晶体管尺寸微缩接近物理极限，摩尔定律面临终结，芯片算力增长逐渐放缓，人类正在步入后摩尔时代。此外，以CPU、GPU为代表的传统芯片架构下计算单元与存储单元的分离也造成频繁的数据搬运，形成速度、功耗瓶颈（冯诺依曼瓶颈），在近年来兴起的神经网络等数据密集型计算任务上问题进一步凸显。未来智能计算需求仍面临指数增长，传统计算架构瓶颈更加突出，亟需从器件创新、架构创新层面为后摩尔时代算力持续增长提供新的驱动力。
近年来，通过存算一体、类脑计算等新型计算范式构建具有高效智能计算芯片与系统已经取得了显著进展。然而，在现有计算系统下全部智能、复杂性、适应性都是由软件编程（事实上是编程的生物智能体-人）所赋予的，器件、电路本身均不具备任何复杂性与适应性。与之相比，生物系统展示出了分子、细胞、系统等多层次、全方位的智能、复杂性与适应性，对于发展新一代智能、高效计算技术具有重要启发意义。
北京大学杨玉超教授与合作者美国密歇根大学Wei D. Lu教授、桑迪亚国家实验室Suhas Kumar博士等在Nature Reviews Materials上发表了基于动态忆阻器实现高阶复杂性类脑计算的综述论文，首次从复杂性角度审视了后摩尔时代新兴计算模式，提出了基于动力学原理的复杂计算的全新概念。忆阻器作为具有丰富动力学、内禀复杂性的新型元器件，其内部状态变量定义了器件的本征复杂度，发掘忆阻器独有的内部演化动力学作为计算资源在构建高阶复杂性类脑计算系统方面具有独特优势和巨大潜力。
复杂性被定义为一个动力学系统的维度，在忆阻器框架中对应描述器件行为的一阶偏微分方程与独立状态变量的数目。大脑是一个高度非线性的复杂系统，突触和神经元组成了大脑中的基本运算单元，其计算功能同样可以借助复杂性进行表达。在当前已经实现的神经形态器件中，忆阻器内部导电细丝尺度、器件温度、相变过程、寄生电荷等提供了物理层面的状态变量，由此构建出的高阶复杂度器件能够高效实现15种以上神经元动态发放行为。此外，采用物理网络拓扑连接还可以进一步实现反馈动力学、纳米自组织、多端离子耦合、非线性耦合振荡网络等高阶动力学行为。这种高阶复杂性类脑计算将有效补充经典计算机的不足，例如应用于超低功耗并行求解模式识别、图分析甚至模拟复杂神经元交流等问题。基于此路线未来有望发展出真正生物启发的、具备高阶复杂性、基于忆阻动力学的新一代类脑计算，在神经科学、材料开发、芯片设计、系统集成、架构与算法层面产生深刻而持久的影响。
该研究工作得到国家杰出青年基金、国家重点研发计划、基金委后摩尔重大研究计划、霍英东青年教师基金、科学探索奖等项目的支持。
论文链接：https://www.nature.com/articles/s41578-022-00434-z
