这款由记忆电阻设计的新型硬件计算系统，加速神经网络训练的同时还可预测下一步输出

该系统未来还可用于预测分析。

近日，密歇根大学的研究团队设计出一种由记忆电阻制成的新型神经网络硬件系统（储备池计算系统），相较于现有的硬件系统，它的效率有了明显的提升，并且它能在对话之前预测词汇并预测下一步输出。

储备池计算系统是一种有效改进传统神经网络训练困难的计算系统，此前，有科学家曾用光学元件制作了储备池计算系统，不过，此次电气工程和计算机科学教授卢伟（音译）及其团队使用记忆电阻构造的新系统所需空间更小，也更容易集成到现有的硅基电子设备。

记忆电阻，又称忆阻器，与普通的电阻不同，它的电阻值由流经它的电荷确定。因此，通过测出记忆电阻的阻值，便可知道流经它的电荷量，从而有记忆电荷的作用。在这项最新的研究中，研究团队使用的是一种特殊的记忆电阻。对此，团队没有过多的介绍。

对该新型系统的验证，研究团队采用的是手写识别测试（神经网络常用的基准），以此来验证储备池计算系统的性能。结果表明，他们仅使用88个记忆电阻做节点，就可以分辨数字的手写版本，且储备池的精准度高达91%；而传统神经网络需要几千个节点。此外，随着时间而变化的数据，新系统也能处理。

实际应用中，为了训练神经网络完成某项任务，很多公司包括研究机构需要花费大量的时间和高昂的成本在上面。不过卢伟表示，他们通过忆阻器制造出的储备池计算系统可避免大多数昂贵的训练过程，也为网络提供了记忆能力。

卢伟还表示，未来他将借助该技术研究语音识别和预测分析两大领域。对此，他解释道：“我们可以预测自然语言，所以你有时候没有发出完整的单词，我们也能预测出你接下来要说的是什么。”