忆阻器在神经突触仿生中的应用研究进展

・　７６　・　材料导报Ａ：综述篇　２０１５年８月（上）第２９卷第８期　忆阻器在神经突触仿生中的应用研究进展　张超超ｈ。，尚　杰　，郝健　，张文斌　，冀正辉　一，刘　钢。，李润伟ｚ　（１　上海大学理学院，上海２００４４４；２　中国科学院宁波材料技术与工程研究所，宁波３１５２０１；　３宁波大学理学院，宁波３１５２１１；４中国科学技术大学纳米科学技术学院，合肥２３００２６）　摘要　随着对计算机性能要求的不断提高，人们一直在寻找能像人脑一样具有学习记忆功能的新型计算机。　自从２００８年惠普实验室发现忆阻器以后，发展具有人脑水平的智能计算机成为可能。众所周知，突触是大脑神经网　络的基本单元，突触可塑性是学习和记忆的生物学基础。因此，为了实现具有学习和记忆功能的智能计算机，利用忆　阻器模拟突触可塑性至关重要。综述了忆阻器在模拟突触的增强、抑制、短时程可塑性和长时程可塑性方面的研究　现状，并对其研究前景进行了展望。　关键词　忆阻器突触突触可塑性短时程可塑性长时程可塑性　中图分类号：ＴＢ３４　文献标识码：Ａ　ＤＯＩ：１０．１１８９６／ｊ．ｉｓｓｍ　１００５—０２３Ｘ．２０１５．０１５．０１４　Ｒｅｃｅｎｔ　Ｐｒｏｇｒｅｓｓ　ｏｆ　Ｍｅｍｒｉｓｔｏｒ　Ａｐｐｌｉｃａｔｉｏｎ　ｉｎ　Ｓｙｎａｐｔｉｃ　Ｅｍｕｌａｔｉｏｎ　ＺＨＡＮＧ　Ｃｈａｏｃｈａｏ　，ＳＨＡＮＧ　Ｊ　ｉｅ　，ＨＡ０　Ｊ　ｉａｎ　，ＺＨＡＮＧ　Ｗｅｎｂｉｎ　ｗ，　ＪＩ　Ｚｈｅｎｇｈｕｉ　”，ＬＩＵ　Ｇａｎｇ０，ＬＩ　Ｒｕｎｗｅｉ　（１　Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｃｉｅｎｃｅ，Ｓｈａｎｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ　２００４４４；２　Ｎｉｎｇｂｏ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｍａｔｅｒｉａｌｓ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，　Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ｓｃｉｅｎｃｅｓ，Ｎｉｎｇｂｏ　３１５２０１；３　Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｃｉｅｎｃｅ，Ｎｉｎｇｂｏ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎｉｎｇｂｏ　３１５２１１；　４　Ｎａｎｏ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｉｎｓｔｉｔｕｔｅ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　ｏｆ　Ｃｈｉｎａ，Ｈｅｆｅｉ　２３００２６）　Ａｂｓｔｒａｃｔ　Ｎｅｗ　ｃｏｎｃｅｐｔ　ｃｏｍｐｕｔｅｒｓ　ｗｏｒｋｉｎｇ　１ｉｋｅ　ｂｒａｉｎ　ｈａｖｅ　ｌｏｎｇ　ｂｅｅｎ　ｓｏｕｇｈｔ　ａｌｏｎｇ　ｗｉｔｈ　ｉｎｃｒｅａｓｅｄ　ｒｅｑｕｉｒｅｍｅｎｔｓ　ｆｏｒ　ｔｈｅ　ｃｏｍｐｕｔｅｒ　ｐｅｒｆｏｒｍａｎｃｅ．Ｉｔ　ｉｓ　ｐｏｓｓｉｂｌｅ　ｔｏ　ｄｅｖｅｌｏｐ　ｉｎｔｅｌｌｉｇｅｎｔ　ｃｏｍｐｕｔｅｒ　ｔｏｗａｒｄｓ　ｔｈｅ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｂｒａｉｎ　ｓｉｎｃｅ　ｍｅｍ－　ｒｉｓｔｏｒ　ｗａｓ　ｆｏｕｎｄ　ａｔ　ＨＰ　ｌａｂｏｒａｔｏｒｙ　ｉｎ　２００８．Ｉｔ　ｉｓ　ｇｅｎｅｒａｌｌｙ　ｋｎｏｗｎ　ｔｈａｔ　ｓｙｎａｐｓｅ　ｉｓ　ｔｈｅ　ｂａｓｉｃ　ｕｎｉｔ　ｏｆ　ｔｈｅ　ｂｒａｉｎ　ｎｅｕｒａｌ　ｎｅｔ—　ｗｏｒｋ，ａｎｄ　ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ　ｉｓ　ｒｅｇａｒｄｅｄ　ａｓ　ｂｉｏｌｏｇｉｃａｌ　ｂａｓｉｓ　ｏｆ　ｌｅａｒｎｉｎｇ　ａｎｄ　ｍｅｍｏｒｙ．Ｔｈｕｓ，ｉｎ　ｏｒｄｅｒ　ｔｏ　ｒｅａｌｉｚｅ　ｔｈｅ　ｉｎ—　ｔｅｌｌｉｇｅｎｔ　ｃｏｍｐｕｔｅｒ　ｗｉｔｈ　ｆｕｎｃｔｉｏｎｓ　ｏｆ　ｌｅａｒｎｉｎｇ　ａｎｄ　ｍｅｍｏｒｙ，ｉｔ　ｉｓ　ｉｍｐｏｒｔａｎｔ　ｔｏ　ｓｉｍｕｌａｔｉｎｇ　ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ　ｂａｓｅｄ　ｏｎ　ｍｅｍｒｉｓｔｏｒ．Ｔｈｅ　ｒｅｓｅａｒｃｈ　ｓｉｔｕａｔｉｏｎ　ｏｆ　ｍｅｍｒｉｓｔｏｒ　ｏｎ　ｓｙｎａｐｔｉｃ　ｓｉｍｕｌａｔｉｏｎ，ｉｎｃｌｕｄｉｎｇ　ｓｙｎａｐｔｉｃ　ｐｏｔｅｎｔｉａｔｉｏｎ，ｄｅｐｒｅｓｓｉｏｎ，　ｓｈｏｒｔ－ｔｅｒｍ　ｐｌａｓｔｉｃｉｔｙ，ｌｏｎｇ－ｔｅｒｍ　ｐｌａｓｔｉｃｉｔｙ　ａｓ　ｗｅｌｌ　ａｓ　ｔｈｅ　ｒｅｓｅａｒｃｈ　ｄｅｖｅｌｏｐｍｅｎｔ　ｉｎ　ｔｈｅ　ｆｉｅｌｄ　ａｒｅ　ｒｅｖｉｅｗｅｄ．　Ｋｅｙ　ｗｏｒｄｓ　ｍｅｍｒｉｓｔｏｒ，ｓｙｎａｐｓｅ，ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ，ｓｈｏｒｔ－ｔｅｒｍ　ｐｌａｓｔｉｃｉｔｙ，ｌｏｎｇ－ｔｅｒｍ　ｐｌａｓｔｉｃｉｔｙ　０　引言　随着大数据时代的到来，数据正在迅速膨胀并变大，对　的神经网络是高度并行的非线性信息处理系统，能够高效地　同时处理视觉、听觉、嗅觉等各种信息。大脑的感知、思考、　判断和学习能力更是科学家多年来梦寐以求能够模拟的功　能。因此模拟大脑功能对计算机的发展具有深远意义。　人类的数据驾驭能力提出了新的挑战。然而由于传统的　冯・诺依曼计算机体系结构具有先天的局限性，从根本上限　制了现代计算机的发展。冯・诺依曼计算机是通过数据总　线将中央处理器、存储器、输入设备和输出设备４个部分连　接起来。这种体系结构简化了电路，使目前的超大规模集成　人脑是由多达１Ｏ“～１Ｏ　个神经元组成的复杂网络系　统，各神经元之间在功能上发生联系的部位称为突触。突触　的连接强度会随着自身活动的加强或减弱相应得到加强或　减弱，这种功能和形态可发生改变的特性称为突触可塑性。　电路得以实现。与此同时，这种体系结构也决定了计算机通　在细胞水平上，突触可塑性被公认为学习和记忆的生物学基　础Ⅲ。因此对突触功能的模拟被视为人工神经网络研究的　关键一步。在突触功能模拟上，多个晶体管与电容相组合的　ＣＭＯＳ器件是一类可实现单一突触功能的电子器件　］，然　过串行方式处理信息，从而限制了数据输入和处理时间。另　外，冯・诺依曼计算机只能依照程序指令处理信息，不仅程　序编写本身是一项十分复杂繁重的脑力劳动，而且不能对接　触到的信息进行自主地学习、思考和判断。与此相反，大脑　而其复杂的制作工艺和高功耗势必给电路的大规模集成带　＊国家自然科学基金（２１１７２１４１；６１３０６１５２）；宁波市自然科学基金（２０１４Ａ６１０１５２）　张超超：男，１９８９年生，硕士生，研究方向为基于忆阻器的神经突触仿生器件研究　Ｅ－ｍａｉｌ：ｚｈａｎｇｃｃ＠ｎｉｍｔｅ．ａｃ．ｃｎ　尚杰：男，１９７９　年生，博士，副研究员，研究方向为阻变、磁性材料及器件的研究士，教授，博士生导师，研究方向为有机氟化学、功能材料等Ｅ－ｍａｉｌ：ｓｈａｎｇｊｉｅ＠ｎｉｍｔｅ．ａＣ．ｃｎ郝健：通讯作者，男，１９６４年生，博　Ｅ－ｍａｉｌ：ｊｈａｏ＠ｓｈｕ．ｅｄｕ．ｃｎ　忆阻器在神经突触仿生中的应用研究进展／张超超等　电频率诱导和影响突触的长时程可塑性在突触的学习和记　忆上具有重要的生物学意义。很多课题组对忆阻器件施加　・　７９　・　要的作用。但除了神经突触的可塑性外是否还存在另外的　特性或部位（比如神经元胞体和神经胶质细胞）对大脑的学　不同频率的脉冲电压，脉冲频率越高，器件的导电性增加越　快，如图６（ａ）所示，这与脉冲频率依赖的长时程突触可塑性　吻合［Ｉ５，２２，３４］。除了脉冲频率之外，脉冲时序也是大脑信息编　码的重要元素。突触前神经元放电先于突触后神经元可引　起突触的长时程增强（△ｗ＞Ｏ），放电时间间隔越短增强越明　显；放电时序相反会引起突触的长时程抑制（ＡＷ＜Ｏ），放电　时间间隔越短抑制越明显。这种特性表现为脉冲时序依赖　的长时程突触可塑性，在很多忆阻器中都实现了对它的模　拟，如图６（ｂ）所示。生物中有少数突触类型表现出完全不同　的脉冲时序依赖可塑性，华中科技大学缪向水研究组在忆阻　器中通过施加不同形状的脉冲完成了对生物中几种不同的　脉冲时序依赖可塑性的模拟　１　ｊ。　１５　．（ｂ）　／。　—Ｆ●Ｅ“ｃｘｐ．ｕｄｒａｖｔｅａ　　１０　。　５　－．．　．　●　０　司　～５　－—　—１０　—１５　．６０－－４０－．２０　０　２０　４０　６０　Ａｔ／ＬＬ　ｓ　图６电子器件对脉冲频率依赖的突触可塑性的模拟（ａ）　；　电子器件对脉冲时序依赖突触可塑性的模拟（ｂ）　。］　Ｆｉｇ．６　Ｔｈｅ　ｅｍｕｌａｔｉｏｎ　ｏｆ　ｓｐｉｋｅ－ｒａｔｅ　ｄｅｐｅｎｄｅｎｔ　ｐｌａｓｔｉｃｉｔｙ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｅｌｅｃｔｒｏｎｉｃ　ｄｅｖｉｃｅ（ａ）　；ｔｈｅ　ｅｍｕｌａｔｉｏｎ　ｏｆ　ｓｐｉｋｅ－ｔｉｍｉｎｇ　ｄｅｐｅｎｄｅｎｔ　ｐｌｓａｔｉｃｉｔｙ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｅｌｅｃｔｒｏｎｉｃ　ｄｅｖｉｃｅ（ｂ）　２结语　自２００８年以来，忆阻器在仿生突触方面的研究已取得　不少进展，很多课题组都实现了对单个突触的增强与抑制过　程、短时程可塑性与长时程可塑性等重要特性的模拟，但通　过忆阻器模拟大脑功能还有以下问题需要深入研究。　（１）目前人们已在众多材料中实现了对单个突触功能的　模拟，但由于缺乏衡量器件性能（如稳定性和使用寿命）的标　准，对于选取什么样的忆阻器材料更适合突触仿生难以达成　统一的认识，因此需要尽快制定衡量器件性能的标准。　（２）基于忆阻器仿生突触的研究，目前主要集中在突触　的增强与抑制和突触的短时程可塑性与长时程可塑性的模　拟上，认为突触的可塑性对于大脑的学习和记忆具有至关重　习和记忆具有重要作用还一无所知，需要加强这方面的研　究。　（３）研究忆阻器仿生突触器件以期最终在硬件上实现自　主学习和记忆功能，此目标不仅需要完美地模拟单个突触功　能，还需要构建庞大的突触网络。虽然南京大学万青课题组　已开始利用２个及２个以上的忆阻器元件研究突触网络的　时空信息整合特性口　。　，但对于如何构建庞大的突触网络　还需要提出明确的思路。　参考文献　１　Ｂｉ　Ｇ　Ｑ。Ｐｏｏ　Ｍ　Ｍ．Ｓｙｎａｐｔｉｃ　ｍｏｄｉｆｉｃａｔｉｏｎｓ　ｉｎ　ｃｕｌｔｕｒｅｄ　ｈｉｐ－　ｐｏｃａｍｐａｌ　ｎｅｕｒｏｎｓ：Ｄｅｐｅｎｄｅｎｃｅ　ｏｎ　ｓｐｉｋｅ　ｔｉｍｉｎｇ，ｓｙｎａｐｔｉｃ　ｓｔｒｅｎｇｔｈ，ａｎｄ　ｐｏｓｔｓｙｎａｐｔｉｃ　ｃｅｌｌ　ｔｙｐｅ　ｌ－Ｊ］．Ｊ　Ｎｅｕｒｏｓｅｉｅｎｃｅ，　１９９８，１８（２４）：１０４６４　２　Ｂ０Ⅲ１　Ｐ　Ａ，Ｍｕｒｒａｙ　Ａ　Ｆ．Ｓｙｎｃｈｒｏｎｙ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ａｍｐｌｉｉｆｃａ—　ｔｉｏｎ　ｂｙ　ｓｉｌｉｃｏｎ　ｎｅｕｒｏｎｓ　ｗｉｔｈ　ｓＴＤＰ　ｓｙｎａｐｓｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，２００４，１５（５）：１２９６　３　Ｈａｆｌｉｇｅｒ　Ｐ，Ｍａｈｏｗａｌｄ　Ｍ．Ｓｐｉｋｅ　ｂａｓｅｄ　ｎｏｒｍａｌｉｚｉｎｇ　Ｈｅｂｂｉａｎ　ｌｅａｒｎｉｎｇ　ｉｎ　ａｎ　ａｎａｌｏｇ　ＶＬＳＩ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒｏｎｌ，Ｊ］．Ａｎａｌｏｇ　Ｉｎｔｅ—　ｇｒａｔｅｄ　Ｃｉｒｃｕｉｔｓ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，１９９９，１８（２）：１３３　４　Ｘｉａ　Ｑ　Ｆ，Ｒｏｂｉｎｅｔｔ　Ｗ　Ｃ，Ｗｉｌｌｉａｍｓ　Ｒ　Ｓ，ｅｔ　ａ１．Ｍｅｍｒｉｓｔｏｒ－　ＣＭＯＳ　ｈｙｂｒｉｄ　ｉｎｔｅｇｒａｔｅｄ　ｃｉｒｃｕｉｔｓ　ｆｏｒ　ｒｅｃｏｎｆｉｇｕｒａｂｌｅ　ｌｏｇｉｃ［Ｊ］．　Ｎａｎｏ　Ｌｅｔｔ，２００９，９（１０）：３６４０　５　Ｊｏ　Ｓ　Ｈ，Ｃｈａｎｇ　Ｔ，Ｌｕ　Ｗ，ｅｔ　ａ１．Ｎａｎｏｓｃａｌｅ　ｍｅｍｒｉｓｔｏｒ　ｄｅｖｉｃｅ　ａｓ　ｓｙｎａｐｓｅ　ｉｎ　ｎｅｕｒｏｍｏｒｐｈｉｃ　ｓｙｓｔｅｍｓ￣Ｊ］．Ｎａｎｏ　Ｌｅｔｔ，２０１０，１０　（４）：１２９７　６　Ｐｅｒｓｈｉｎ　Ｙ　Ｖ．Ｅｘｐｅｒｉｍｅｎｔａ１　ｄｅｍｏｎｓｔｒａｔｉｏｎ　ｏｆ　ａｓｓｏｃｉａｔｉｖｅ　ｍｅ－　ｍｏｒｙ　ｗｉｔｈ　ｍｅｍｒｉｓｔｉｖｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｎｅｕｒａｌ　Ｎｅｔｗ，　２０１０，２３（７）：８８１　７　Ｃｈｕａ　Ｌ　Ｏ．Ｍｅｍｒｉｓｔｏｒ－ｔｈｅ　ｍｉｓｓｉｎｇ　ｃｉｒｃｕｉｔ　ｅｌｅｍｅｎｔｌ，Ｊ］．Ｃｉｒ—　ｃｕｉｔ　Ｔｈｅｏｒｙ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　Ｏｎ，１９７１，１８（５）：５０７　８　Ｓｔｒｕｋｏｖ　Ｄ　Ｂ，Ｓｎｉｄｅｒ　Ｇ　Ｓ，Ｗｉｌｌｉａｍｓ　Ｒ　Ｓ，ｅｔ　ａ１．Ｔｈｅ　ｍｉｓｓｉｎｇ　ｍｅｍｒｉｓｔｏｒ　ｆｏｕｎｄ［Ｊ］．Ｎａｔｕｒｅ，２００８，４５３（７１９１）：８Ｏ　９　Ｚｕｃｋｅｒ　Ｒ　Ｓ　Ｃａｌｃｉｕｍ－ａｎｄ　ａｃｔｉｖｉｔｙ－ｄｅｐｅｎｄｅｎｔ　ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉ～　ｃｉｔｙｌ，Ｊ］．Ｃｕｒｒｅｎｔ　Ｏｐｉｎｉｏｎ　Ｎｅｕｒｏｂｉｏｌｏｇｙ，１９９９，９（３）：３０５　１０　Ｚｕｃｋｅｒ　Ｒ　Ｓ．Ｓｈｏｒｔ－ｔｅｒｍ　ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ［Ｊ］．Ａｎｎｕａｌ　Ｒｅｖ　Ｎｅｕｒｏｓｃｉｅｎｃｅ，ｌ９８９，１２（１）：１３　１１　Ｂｌｉｓｓ　Ｔ　Ｖ，Ｃｏｌｌｉｎｇｒｉｄｇｅ　Ｇ　Ｌ．Ａ　ｓｙｎａｐｔｉｃ　ｍｏｄｅｌ　ｏｆ　ｍｅｍｏｒｙ：　Ｌｏｎｇ－ｔｅｒｍ　ｐｏｔｅｎｔｉａｔｉｏｎ　ｉｎ　ｔｈｅ　ｈｉｐｐｏｃａｍｐｕｓ　，ｌＪ］．Ｎａｔｕｒｅ，　１９９３，３６１（６４０７）：３１　１２　Ｓｔｅｖｅｎｓ　Ｃ　Ｆ，Ｗｅｓｓｅｌｉｎｇ　Ｊ　Ｆ．Ａｕｇｍｅｎｔａｔｉｏｎ　ｉｓ　ａ　ｐｏｔｅｎｔｉａｔｉｏｎ　ｏｆ　ｔｈｅ　ｅｘｏｃｙｔｏｔｉｃ　ｐｒｏｃｅｓｓ［Ｊ］．Ｎｅｕｒｏｎ，１９９９，２２（１）：１３９　１３　Ｍａｒｔｉｎ　Ｓ，Ｇｒｉｍｗｏｏｄ　Ｐ，Ｍｏｒｒｉｓ　Ｒ．Ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ　ａｎｄ　ｍｅｍｏｒｙ：Ａｎ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｔｈｅ　ｈｙｐｏｔｈｅｓｉｓ［Ｊ］．Ａｎｎｕａｌ　Ｒｅｖ　Ｎｅｕｒｏｓｃｉｅｎｃｅ，２０００，２３（１）：６４９　１４　Ｗａｎ　Ｃ　Ｊ，Ｚｈｕ　Ｌ　Ｑ，Ｗａｎ　Ｑ，ｅｔ　ａ１．Ｍｅｍｏｒｙ　ａｎｄ　ｌｅａｒｎｉｎｇ　ｂｅ—　ｈａｖｉｏｒｓ　ｍｉｍｉｃｋｅｄ　ｉｎ　ｎａｎｏｇｒａｎｕｌａｒ　Ｓｉ０２－ｂａｓｅｄ　ｐｒｏｔｏｎ　ｃｏｎｄｕｃ—　ｔｏｒ　ｇａｔｅｄ　ｏｘｉｄｅ－ｂａｓｅｄ　ｓｙｎａｐｔｉｃ　ｔｒａｎｓｉｓｔｏｒｓ口］．Ｎａｎｏｓｃａｌｅ，　・　８Ｏ・　材料导报Ａ：综述篇　２０１５年８月（上）第２９卷第８期　２Ｏｌ３，５（２１）：１ｏ１９４　ｍｅｍｏｒｙ　ｔｒａｎｓｉｔｉｏｎ　ｉｎ　ａ　ｎａｎｏｓｃａｌｅ　ｍｅｍｒｉｓｔｏｒ［Ｊ］．ＡＣＳ　Ｎａｎｏ，　２０１１，５（９）：７６６９　２６　Ｈａｓｅｇａｗａ　Ｔ，Ｏｈｎｏ　Ｔ，Ａｏｎｏ　Ｍ，ｅｔ　ａ１．Ｌｅａｒｎｉｎｇ　ａｂｉｌｉｔｉｅｓ　ａ—　１５　Ｗａｎｇ　Ｚ　Ｑ，Ｘｕ　Ｈ　Ｙ，Ｚｈｕ　Ｘ　Ｊ，ｅｔ　ａ１．Ｓｙｎａｐｔｉｃ　ｌｅａｒｎｉｎｇ　ａｎｄ　ｍｅｍｏｒｙ　ｆｕｎｃｔｉｏｎｓ　ａｃｈｉｅｖｅｄ　ｕｓｉｎｇ　ｏｘｙｇｅｎ　ｉｏｎ　ｍｉｇｒａｔｉｏｎ／ｄｉｆ—　ｆｕｓｉｏｎ　ｉｎ　ａｎ　ａｍｏｒｐｈｏｕｓ　ＩｎＧａＺｎＯ　ｍｅｍｒｉｓｔｏｒ［Ｊ］．Ａｄｖ　Ｆｕｎｃｔ　Ｍａｔｅｒ，２０１２，２２（１３）：２７５９　ｃｈｉｅｖｅｄ　ｂｙ　ａ　ｓｉｎｇｌｅ　ｓｏｌｉｄ－ｓｔａｔｅ　ａｔｏｍｉｃ　ｓｗｉｔｃｈ［Ｊ］．Ａｄｖ　Ｍａ—　ｔｅｒ，２０１０，２２（１６）：１８３１　２７　Ｚｅｎｇ　Ｆ，Ｌｉ　Ｓ　Ｚ，Ｐａｎ　Ｆ，ｅｔ　ａ１．Ｌｅａｒｎｉｎｇ　ｐｒｏｃｅｓｓｅｓ　ｍｏｄｕｌａｔｅｄ　１６　Ｃｈａｎｇ　Ｔ，Ｊｏ　Ｓ　Ｈ，Ｌｕ　Ｗ，ｅｔ　ａ１．Ｓｙｎａｐｔｉｃ　ｂｅｈａｖｉｏｒｓ　ａｎｄ　ｍｏｄｅｌｉｎｇ　ｏｆ　ａ　ｍｅｔａｌ　ｏｘｉｄｅ　ｍｅｍｒｉｓｔｉｖｅ　ｄｅｖｉｃｅ［Ｊ］．Ａｐｐｌ　Ｐｈｙｓ　Ａ，２０１１，１０２（４）：８５７　１７　Ｏｈｎｏ　Ｔ，Ｈａｓｅｇａｗａ　Ｔ，Ａｏｎｏ　Ｍ，ｅｔ　ａ１．Ｓｈｏｒｔ－ｔｅｒｍ　ｐｌａｓｔｉｃｉｔｙ　ｂｙ　ｔｈｅ　ｉｎｔｅｒｆａｃｅ　ｅｆｆｅｃｔｓ　ｉｎ　ａ　Ｔｉ／ｃｏｎｄｕｃｔｉｎｇ　ｐｏｌｙｍｅｒ／Ｔｉ　ｒｅｓｉｓ—　ｔｉｒｅ　ｓｗｉｔｃｈｉｎｇ　ｃｅｌｌ［Ｊ］．ＲＳＣ　Ａｄｖ，２０１４，４（２９）：１４８２２　２８　Ｋｕｚｕｍ　Ｄ，Ｊｅｙａｓｉｎｇｈ　Ｒ　Ｇ，Ｗｏｎｇ　Ｈ　Ｓ，ｅｔ　ａ１．Ｎａｎｏｅｌｅｃｔｒｏｎｉｃ　ｐｒｏｇｒａｍｍａｂｌｅ　ｓｙｎａｐｓｅｓ　ｂａｓｅｄ　ｏｎ　ｐｈａｓｅ　ｃｈａｎｇｅ　ｍａｔｅｒｉａｌｓ　ｆｏｒ　ａｎｄ　ｌｏｎｇ－ｔｅｒｍ　ｐｏｔｅｎｔｉａｔｉｏｎ　ｍｉｍｉｃｋｅｄ　ｉｎ　ｓｉｎｇｌｅ　ｉｎｏｒｇａｎｉｃ　ｓｙ－　ｎａｐｓｅｓ［Ｊ］．Ｎａｔ　Ｍａｔｅｒ，２０１１，１０（８）：５９１　１８　Ｌｉ　Ｙ。Ｚｈｏｎｇ　Ｙ　Ｐ，Ｍｉａｏ　Ｘ　Ｓ，ｅｔ　ａ１．Ａｃｔｉｖｉｔｙ－ｄｅｐｅｎｄｅｎｔ　ｓｙ－　ｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ　ｏｆ　ａ　ｃｈａｌｃｏｇｅｎｉｄｅ　ｅｌｅｃｔｒｏｎｉｃ　ｓｙｎａｐｓｅ　ｆｏｒ　ｎｅｕ—　ｂｒａｉｎ－ｉｎｓｐｉｒｅｄ　ｃｏｍｐｕｔｉｎｇ［Ｊ］．Ｎａｎｏ　Ｌｅｔｔ，２０１２，１２（５）：２１７９　２９　Ｘｕ　Ｈ　Ｎ。Ｘｉａ　Ｙ　Ｄ，Ｌｉｕ　Ｚ　Ｇ，ｅｔ　ａ１．Ｔｈｅ　ｃｈｅｍｉｃａｌｌｙ　ｄｒｉｖｅｎ　ｐｈａｓｅ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｉｎ　ａ　ｍｅｍｒｉｓｔｉｖｅ　ａｂａｃｕｓ　ｃａｐａｂｌｅ　ｏｆ　ｃａｌ—　ｒｏｍｏｒｐｈｉｃ　ｓｙｓｔｅｍｓ［Ｊ］．Ｓｃｉ　Ｒｅｐ，２０１４，４：４９０６　１９　Ｈｕ　Ｓ　Ｇ，Ｌｉｕ　Ｙ，Ｈｏｓａｋａ　Ｓ，ｅｔ　ａ１．Ｅｍｕｌａｔｉｎｇ　ｔｈｅ　ｐａｉｒｅｄ—　ｃｕｌａｔｉｎｇ　ｄｅｃｉｍａｌ　ｆｒａｃｔｉｏｎｓ［Ｊ］．Ｓｃｉ　Ｒｅｐ，２０１３，３：１２３０　３０　Ｗａｎ　Ｃ　Ｊ，Ｚｈｕ　Ｌ　Ｑ，Ｗａｎ　Ｑ，ｅｔ　ａ１．Ｉｎｏｒｇａｎｉｃ　ｐｒｏｔｏｎ　ｃｏｎｄｕｃ—　ｔｉｎｇ　ｅｌｅｃｔｒｏｌｙｔｅ　ｃｏｕｐｌｅｄ　ｏｘｉｄｅ－ｂａｓｅｄ　ｄｅｎｄｒｉｔｉｃ　ｔｒａｎｓｉｓｔｏｒｓ　ｆｏｒ　ｐｕｌｓｅ　ｆａｃｉｌｉｔａｔｉｏｎ　ｏｆ　ａ　ｂｉｏｌｏｇｉｃａｌ　ｓｙｎａｐｓｅ　ｗｉｔｈ　ａ　ＮｉＯ　一ｂａｓｅｄ　一稿一０　　ｍｅｍｒｉｓｔｏｒ［Ｊ］．Ａｐｐｌ　Ｐｈｙｓ　Ｌｅｔｔ，２０１３，１０２（１８）：１８３５１０　２Ｏ　Ｌｉ　Ｙ。Ｚｈｏｎｇ　Ｙ　Ｐ，Ｍｉａｏ　Ｘ　Ｓ，ｅｔ　ａ１．Ｕｌｔｒａｆａｓｔ　ｓｙｎａｐｔｉｃ　ｅ—　ｓｙｎａｐｔｉｃ　ｅｌｅｃｔｒｏｎｉｃｓ［Ｊ］．Ｎａｎｏｓｃａｌｅ，２０１４，６（９）：４４９１　３１　Ｚｈｏｕ　Ｊ　Ｍ，Ｗａｎ　Ｃ　Ｊ，Ｗａｎ　Ｑ，ｅｔ　ａ１．Ｓｙｎａｐｔｉｃ　ｂｅｈａｖｉｏｒｓ　ｍｉｍｉｃｋｅｄ　ｉｎ　ｆｌｅｘｉｂｌｅ　ｏｘｉｄｅ－ｂａｓｅｄ　ｔｒａｎｓｉｓｔｏｒｓ　ｏｎ　ｐｌａｓｔｉｃ　ｓｕｂ—　ｖｅｎｔｓ　ｉｎ　ａ　ｃｈａｌｃｏｇｅｎｉｄｅ　ｍｅｍｒｉｓｔｏｒＶＪ］．Ｓｃｉ　Ｒｅｐ，２０１３，３：１６１９　２１　Ａｌｉｂａｒｔ　Ｆ，Ｐｌｅｕｔｉｎ　Ｓ，Ｖｕｉｌｌａｕｍｅ　Ｄ，ｅｔ　ａ１．Ａｎ　ｏｒｇａｎｉｃ　ｎａｎｏ－　ｐａｒｔｉｃｌｅ　ｔｒａｎｓｉｓｔｏｒ　ｂｅｈａｖｉｎｇ　ａｓ　ａ　ｂｉｏｌｏｇｉｃａｌ　ｓｐｉｋｉｎｇ　ｓｙｎａｐｓｅ　ｓｔｒａｔｅｓ［Ｊ］．ＩＥＥＥ　Ｅｌｅｃｔｒｏｎ　Ｄｅｖ　Ｌｅｔｔ，２０１３，３４（１１）：１４３３　３２　Ｚｈｕ　Ｉ　Ｑ，Ｗａｎ　Ｃ　Ｊ，Ｗａｎ　Ｑ，ｅｔ　ａ１．Ａｒｔｉｆｉｃｉａ１　ｓｙｎａｐｓｅ　ｎｅｔ—　ｗｏｒｋ　ｏｎ　ｉｎｏｒｇａｎｉｃ　ｐｒｏｔｏｎ　ｃｏｎｄｕｃｔｏｒ　ｆｏｒ　ｎｅｕｒｏｍｏｒｐｈｉｃ　ｓｙｓ—　［Ｊ］．Ａｄｖ　Ｆｕｎｃｔ　Ｍａｔｅｒ，２０１０，２０（２）：３３０　２２　Ｌｉ　Ｓ　Ｚ，Ｐａｎ　Ｆ，Ｇｕｏ　Ｄ，ｅｔ　ａ１．Ｓｙｎａｐｔｉｃ　ｐｌａｓｔｉｃｉｔｙ　ａｎｄ　ｌｅａｒｎｉｎｇ　ｂｅｈａｖｉｏｕｒｓ　ｍｉｍｉｃｋｅｄ　ｔｈｒｏｕｇｈ　Ａｇ　ｉｎｔｅｒｆａｃｅ　ｍｏｖｅｍｅｎｔ　ｉｎ　ａｎ　ｔｅｍｓ［Ｊ］．Ｎａｔ　Ｃｏｍｍｕｎ，２０１４，５：３１５８　３３　Ｊｏｓｂｅｒｇｅｒ　Ｅ　Ｅ，Ｄｅｎｇ　Ｙ　Ｘ，Ｒｏｌａｎｄｉ　Ｍ，ｅｔ　ａ１．Ｔｗｏ—ｔｅｒｍｉｎａｌ　ｐｒｏｔｏｎｉｃ　ｄｅｖｉｃｅｓ　ｗｉｔｈ　ｓｙｎａｐｔｉｃ－ｌｉｋｅ　ｓｈｏｒｔ－ｔｅｒｍ　ｄｅｐｒｅｓｓｉｏｎ　ａｎｄ　Ａｇ／ｃｏｎｄｕｃｔｉｎｇ　ｐｏｌｙｍｅｒ／Ｔａ　ｍｅｍｒｉｓｔｉｖｅ　ｓｙｓｔｅｍ［Ｊ］．Ｊ　Ｍａｔｅｒ　Ｃｈｅｍ　Ｃ，２０１３，ｌ（３４）：５２９２　２３　Ｈｏｔａ　Ｍ　Ｋ，Ｂｅｒａ　Ｍ　Ｋ，Ｍａｌｔｉ　Ｃ　Ｋ，ｅｔ　ａ１．Ａ　ｎａｔｕｒａｌ　ｓｉｌｋ　ｆｉ－　ｄｅｖｉｃｅ　ｍｅｍｏｒｙ［Ｊ］．Ａｄｖ　Ｍａｔｅｒ，２０１４，２６：４９８６　３４　Ｗｕ　Ｇ　Ｄ，Ｚｈａｎｇ　Ｊ，Ｊｉａｎｇ　Ｓ　Ｈ，ｅｔ　ａ１．Ｃｈｉｔｏｓａｎ－ｂａｓｅｄ　ｂｉｏｐｏ—　ｂｒｏｉｎ　ｐｒｏｔｅｉｎ－ｂａｓｅｄ　ｔｒａｎｓｐａｒｅｎｔ　ｂｉｏ－ｍｅｍｒｉｓｔｏｒ［Ｊ］．Ａｄｖ　Ｆｕｎｃｔ　Ｍａｔｅｒ。２０１２，２２（２１）：４４９３　ｌｙｓａｃｃｈａｒｉｄｅ　ｐｒｏｔｏｎ　ｃｏｎｄｕｃｔｏｒｓ　ｆｏｒ　ｓｙｎａｐｔｉｃ　ｔｒａｎｓｉｓｔｏｒｓ　ｏｎ　一刊～　余波）　●－’　ｐａｐｅｒ　ｓｕｂｓｔｒａｔｅｓ［Ｊ］．Ｊ　Ｍａｔｅｒ　Ｃｈｅｍ　Ｃ，２０１４，２（３１）：６２４９　３５　Ｚｈａｎｇ　ＬＩ，Ｔａｏ　Ｈ　Ｗ，Ｈｏｌｔ　Ｃ　Ｅ，ｅｔ　ａ１．Ａ　ｃｒｉｔｉｃａｌ　ｗｉｎｄｏｗ　２４　Ｈｅ　Ｗ，Ｈｕａｎｇ　Ｋ　Ｊ，Ｐｅｉ　Ｊ，ｅｔ　ａ１．Ｅｎａｂｌｉｎｇ　ａｎ　ｉｎｔｅｇｒａｔｅｄ　ｒａｔｅ－　ｔｅｍｐｏｒａｌ　ｌｅａｒｎｉｎｇ　ｓｃｈｅｍｅ　ｏｎ　ｍｅｍｒｉｓｔｏｒ［Ｊ］．Ｓｃｉ　Ｒｅｐ，２０１４，　４：４７５５　ｆｏｒ　ｃｏｏｐｅｒａｔｉｏｎ　ａｎｄ　ｃｏｍｐｅｔｉｔｉｏｎ　ａｍｏｎｇ　ｄｅｖｅｌｏｐｉｎｇ　ｒｅｔｉｎｏｔｅｃ　ｔａｌ　ｓｙｎａｐｓｅｓ［Ｊ］．Ｎａｔｕｒｅ，１９９８，３９５（６６９７）：３７　２５　Ｃｈａｎｇ　Ｔ．Ｊｏ　Ｓ　Ｈ，Ｌｕ　Ｗ．Ｓｈｏｒｔ—ｔｅｒｍ　ｍｅｍｏｒｙ　ｔｏ　ｌｏｎｇ—ｔｅｒｍ　（责任编辑