為了提高效率、合理利用資源，人們無時無刻不在面對著各種優化問題，需要在特定條件約束下尋找最佳的解決方案。這些優化問題廣泛存在于科學研究、工程與日常生活中，包括物流的運輸、資源的調度、智慧工廠與工程設計等。然而，解決這些復雜優化問題往往需要消耗大量硬件和時間資源，并且容易陷入局部極小值。因此，開發微縮化、高效率、低功耗的優化求解器硬件將為未來終端智能決策提供重要基礎，是研究人員亟待解決的難題。

為此，北京大學信息科學技術學院微納電子學系黃如院士-楊玉超研究員課題組提出并實現了一種基于單個憶阻器交叉陣列的高速、低功耗神經形態優化求解器硬件，通過在反饋網絡中引入暫態混沌達到了兼顧尋找最優解以及算法收斂性的雙重效果。

基于憶阻器的暫態混沌神經網絡用于函數優化與組合優化問題高效求解

憶阻器陣列具有高密度、非易失、能夠存儲模擬值等特性，是實現優化求解器微縮化的硬件基礎，并使得整個優化求解過程高度并行、存算一體，是實現硬件低功耗、高吞吐量的關鍵。在該研究中，課題組將單個氧化鉭憶阻器陣列設計為優化求解器硬件的核心，用以映射通過數學變形的暫態混沌模擬退火神經網絡。其中，通過交叉陣列對角線位置的憶阻器有效引入了暫態混沌，并控制網絡從混沌到收斂的動力學狀態轉變，達到混沌模擬退火的目的。研究發現，憶阻器對相同編程脈沖的固有非線性響應為優化求解過程提供了高效的退火策略，可以保證以較高的收斂速度得到最優解。實驗結果展示了該求解器硬件在連續函數優化、組合優化等典型優化問題中的優異表現，證明了該硬件在優化問題高效求解中的巨大潛力。

相關成果以“Transiently chaotic simulated annealing based on intrinsic nonlinearity of memristors for efficient solution of optimization problems（基于憶阻器固有非線性的暫態混沌模擬退火用于優化問題高效求解》）”為題，近日在線發表于《科學·進展》（Science Advances6：eaba9901， 2020）。微納電子學系2017級博士生楊可為第一作者。

以上研究工作得到國家重點研發計劃項目、基金委創新群體項目、國家杰出青年科學基金、騰訊基金會、北京智源人工智能研究院等支持。