In een paper gepubliceerd in nano , onderzoekers bestuderen de rol van memristors in neuromorphic computing. Deze nieuwe fundamentele elektronische component ondersteunt het klonen van bio-neurale systemen met lage kosten en kracht.

Hedendaagse computersystemen zijn niet in staat om te gaan met de kritieke uitdagingen van het verkleinen van de grootte en de rekensnelheid in het big data-tijdperk. De bottleneck van Von Neumann wordt een belemmering genoemd bij de gegevensoverdracht via de bus die de processor en de geheugencel verbindt. Dit geeft de mogelijkheid om alternatieve architecturen te creëren op basis van een biologisch neuronmodel. Neuromorphic computing is een van dergelijke alternatieve architecturen die neurobiologische hersenarchitecturen nabootsen.

Het humanoïde neurale hersensysteem omvat ongeveer 100 miljard neuronen en talrijke synapsen van connectiviteit. Een efficiënt circuitapparaat is daarom essentieel voor de constructie van een neuraal netwerk dat het menselijk brein nabootst. De ontwikkeling van een elektrische basiscomponent, de memristor, met verschillende onderscheidende kenmerken zoals schaalbaarheid, in-memory verwerking en CMOS-compatibiliteit, heeft de implementatie van neurale netwerkhardware aanzienlijk vergemakkelijkt.

De memristor werd geïntroduceerd als een 'geheugenachtige weerstand' waarbij de achtergrond van de toegepaste ingangen de weerstandsstatus van het apparaat zou veranderen. Het is een capabele elektronische component die de stroom kan onthouden om de grootte van het apparaat effectief te verkleinen en de verwerkingssnelheid in neurale netwerken te verhogen. Parallelle berekeningen, zoals in het menselijk zenuwstelsel, worden gemaakt met de ondersteuning van memristor-apparaten in een nieuwe computerarchitectuur.

Systeeminstabiliteit en onzekerheid zijn beschreven als huidige problemen voor de meeste op geheugen gebaseerde toepassingen. Dit is het tegenovergestelde van het biologische proces. Ondanks lawaai, niet-lineariteit, variabiliteit en volatiliteit, biologische systemen werken goed. Het is nog onduidelijk, echter, dat de effectiviteit van biologische systemen daadwerkelijk van deze obstakels afhangt. Neurale modellering wordt soms vermeden omdat het niet gemakkelijk te modelleren en te bestuderen is. De mogelijkheid om deze eigenschappen te exploiteren is daarom natuurlijk, een cruciaal pad naar succes bij het bereiken van kunstmatige en biologische systemen.