为了提高效率、合理利用资源，人们无时无刻不在面对着各种优化问题，需要在特定条件约束下寻找最佳的解决方案。这些优化问题广泛存在于科学研究、工程与日常生活中，包括物流的运输、资源的调度、智慧工厂与工程设计等。然而，解决这些复杂优化问题往往需要消耗大量硬件和时间资源，并且容易陷入局部极小值。因此，开发微缩化、高效率、低功耗的优化求解器硬件将为未来终端智能决策提供重要基础，是研究人员亟待解决的难题。
为此，纽约国际官方网站黄如院士-杨玉超研究员课题组提出并实现了一种基于单个忆阻器交叉阵列的高速、低功耗神经形态优化求解器硬件，通过在反馈网络中引入暂态混沌达到了兼顾寻找最优解以及算法收敛性的双重效果。
忆阻器阵列具有高密度、非易失、能够存储模拟值等特性，是实现优化求解器微缩化的硬件基础，并使得整个优化求解过程高度并行、存算一体，是实现硬件低功耗、高吞吐量的关键。在该研究中，课题组将单个氧化钽忆阻器阵列设计为优化求解器硬件的核心，用以映射通过数学变形的暂态混沌模拟退火神经网络。其中，通过交叉阵列对角线位置的忆阻器有效引入了暂态混沌，并控制网络从混沌到收敛的动力学状态转变，达到混沌模拟退火的目的。研究发现，忆阻器对相同编程脉冲的固有非线性响应为优化求解过程提供了高效的退火策略，可以保证以较高的收敛速度得到最优解。实验结果展示了该求解器硬件在连续函数优化、组合优化等典型优化问题中的优异表现，证明了该硬件在优化问题高效求解中的巨大潜力。
相关成果以《基于忆阻器固有非线性的暂态混沌模拟退火用于优化问题高效求解》（Transiently chaotic simulated annealing based on intrinsic nonlinearity of memristors for efficient solution of optimization problems）为题，近日在线发表于《科学·进展》（Science Advances 6：eaba9901, 2020）。微纳电子学系2017级博士生杨可为第一作者。
以上研究工作得到国家重点研发计划项目、基金委创新群体项目、国家杰出青年科学基金、腾讯基金会、北京智源人工智能研究院等的大力支持。
图：基于忆阻器的暂态混沌神经网络用于函数优化与组合优化问题高效求解
