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。

针对高能效神经网络处理硬件，本课题组研究了面向存内计算的高性能阻性存储器集成工艺、多值存储器件、高效读写和计算电路以及系统级芯片架构等，重点解决器件性能优化和先进工艺集成、模数接口电路设计与软硬件协同设计等存内计算架构中的关键问题。