类神经形态运算的兴起，为人工智能中的传统冯·诺依曼架构带来了突破。传统计算系统将「记忆」与「运算」分离，产生了大量数据搬移与能耗问题；相比之下，人类大脑能高效地同时运行两者，展现出极高能效与适应能力。对此，香港理工大学化学系副教授韩素婷教授专注研究有关忆阻器的类神经形态硬件，以令人工智能系统能更贴近人类的运作模式。
忆阻器是一种具备记忆功能的双端元件，能同时进行资讯储存与处理，非常适合应用于存算一体架构。它可根据电讯号不断调节电导，模拟生物之间的沟通方式。将运算直接嵌入记忆体中，系统可大幅减少数据在记忆体与处理单元之间的传输功耗，大幅提升运算速度。
透过交叉阵列架构，忆阻器系统能以高度并行方式，执行神经网络的核心运算 - 向量–矩阵乘法。相比传统序列式运算方式，其速度更快、功耗更低，能在硬件层面模拟生物沟通。
韩教授的研究亦引入了启发自生物的学习机制，包括脉冲时序依赖可塑性技术，使忆阻器阵列能根据输入脉冲的时间关系自动调整权重，进一步让其脉冲神经网络行为更接近自然神经系统的运作模式。
团队亦重点探索混合钙钛矿与有机材料，利用离子迁移机制精确调控电导率。透过改进晶体结构及引入界面钝化层，进一步提升忆阻器的性能、稳定性及可规模性。
这些技术在实际应用中潜力巨大。团队已开发出柔性可穿戴忆阻器系统，用于传感器内运算，以将感测、记忆与运算整合于一体，并对四周环境作出反应，适用于医疗与机械人等低功耗领域。
展望未来，韩教授的研究将延伸至人机介面，包括针对视觉障碍的辅助技术，以发展出体积更小、性能与人脑更相近的智能系统，令其成为未来矽基系统与生物智能的核心科技。
资料来源 : 理学院通讯（2026年6月）
