類神經形態運算的興起，為人工智能中的傳統馮·諾依曼架構帶來了突破。傳統計算系統將「記憶」與「運算」分離，產生了大量數據搬移與能耗問題；相比之下，人類大腦能高效地同時運行兩者，展現出極高能效與適應能力。對此，香港理工大學化學系副教授韓素婷教授專注研究有關憶阻器的類神經形態硬件，以令人工智能系統能更貼近人類的運作模式。
憶阻器是一種具備記憶功能的雙端元件，能同時進行資訊儲存與處理，非常適合應用於存算一體架構。它可根據電訊號不斷調節電導，模擬生物之間的溝通方式。將運算直接嵌入記憶體中，系統可大幅減少數據在記憶體與處理單元之間的傳輸功耗，大幅提升運算速度。
透過交叉陣列架構，憶阻器系統能以高度並行方式，執行神經網絡的核心運算 - 向量–矩陣乘法。相比傳統序列式運算方式，其速度更快、功耗更低，能在硬件層面模擬生物溝通。
韓教授的研究亦引入了啟發自生物的學習機制，包括脈衝時序依賴可塑性技術，使憶阻器陣列能根據輸入脈衝的時間關係自動調整權重，進一步讓其脈衝神經網絡行為更接近自然神經系統的運作模式。
團隊亦重點探索混合鈣鈦礦與有機材料，利用離子遷移機制精確調控電導率。透過改進晶體結構及引入界面鈍化層，進一步提升憶阻器的性能、穩定性及可規模性。
這些技術在實際應用中潛力巨大。團隊已開發出柔性可穿戴憶阻器系統，用於傳感器內運算，以將感測、記憶與運算整合於一體，並對四周環境作出反應，適用於醫療與機械人等低功耗領域。
展望未來，韓教授的研究將延伸至人機介面，包括針對視覺障礙的輔助技術，以發展出體積更小、性能與人腦更相近的智能系統，令其成為未來矽基系統與生物智能的核心科技。
資料來源 : 理學院通訊（2026年6月）
