随着人工智能的飞速发展，以深度学习为代表的先进算法模型的参数量和计算量逐年激增，这对以冯诺依曼架构为主的传统计算硬件平台提出了新的挑战。本课题组聚焦边缘端智能应用和云端大数据应用所面临的大算力及高能效需求，研究面向忆阻存算一体化芯片的高效存储器电路设计、高性能模数转换电路设计、先进算子加速核心设计、多核心片上网络架构设计和先进算法模型压缩和本地高效部署。课题组与代工厂长期保持紧密合作，该方向的研究成果已发表在诸如JSSC和TCAS-I等芯片设计领域顶级期刊中。

基于金属氧化物这一具有复杂的离子动力学、热和电效应及耦合作用丰富的材料体系，本课题组研制出了多款人工神经形态器件，能够高效地完成各种仿生任务以及类脑计算。通过对阻变材料中各种组分占比以及器件几何结构的精心设计，我们能够在小尺度纳米器件里实现多种复杂生物神经系统行为，目前已经设计制造并通过功能验证的器件包括：具有泄漏、累积和发放等行为的NbOx神经元；同时具有长短时程可塑性的ZnO-EMIM人工树突器件；基于YSZ的星型胶质细胞器件；功耗仅为30fJ/spike的超低功耗人工突触器件。基于这些新型神经形态器件，课题组进一步实现了包括时间序列分析、联想记忆等复杂的生物神经功能。与此方向相关的研究成果多次在领域顶级期刊上如 Nature Communications, Advanced Materials等发表。

针对人工智能算法中计算方式的多样性，本课题组将忆阻器内部动力学特性和忆阻器阵列在存内计算方面的优势有机结合，高效地实现了包括矩阵向量乘法、衰减运算以及随机数生成在内的多种在传统计算平台中代价高昂的运算，进而在多种不同类型的人工智能硬件计算系统中达到了极低的功耗。目前代表性的系统主要包括：基于二维铁电材料α-In2Se3的短时程可塑性实现的储备池计算系统，该系统能够以极低的功耗有效地处理复杂的时序信息；基于相变存储器 PCM 电导漂移行为的资格迹计算系统，该系统能够利用PCM电导漂移导致的衰减高效地实现资格迹机制并能有效加速强化学习的训练过程；基于TaOx长时程可塑性的优化问题求解系统等。该方向的研究成果多次发表在如 Science Advances, Advanced Materials, IEDM 等微电子领域内顶级期刊和杂志中。