题目来源为一个新闻。
专业名词比如忆阻器、片上学习等等让我感觉很迷惑，感觉是英文硬翻译过来的，不过唯一能看懂的就是名字，比如吴华强教授。
我就顺藤摸瓜的搜了下大佬的google scholar，我发现了新闻中的高滨副教授也是他的经常合作者。
他最近几年的成果，基本上可以总结为几个名词memristor chip，memory-based chip，computing-in-memory system，还有egde，near sensor。
这么一看我就大致知道这个忆阻器芯片，memristor chip到底的应用方向在哪儿。
你看这篇文章，可能就是新闻中提到的「科学science」最新的那篇文章。
Edge learning using a fully integrated neuro-inspired memristor chip
它有俩主要的名词，一个是Edge Learning 边缘学习，另一个就是忆阻器。
很明显的，这个忆阻器的应用场景就是边缘学习这类型。
翻译过来的注释就是：
学习对于边缘智能设备适应不同的应用场景和所有者来说非常重要。当前训练神经网络的技术需要在计算和存储单元之间移动大量数据，这阻碍了边缘设备上学习的实现。我们开发了一种完全集成的忆阻器芯片，具有提高的学习能力和较低的能源成本。STELLAR架构中的方案，包括其学习算法、硬件实现和并行电导调谐方案，都是通过使用忆阻器交叉阵列来促进片上学习的通用方法，无论忆阻器器件的类型如何。本研究中执行的任务包括运动控制、图像分类和语音识别。
它里面提到了几个关键的概念和解决方案：
关键概念和问题：
边缘智能设备：这些是近源（通常是用户端）进行数据处理的设备，与在数据中心进行计算的传统云计算模型形成对比。
计算和存储的问题：传统的神经网络训练方法需要在计算和存储单元之间传输大量数据，这在资源受限的边缘设备上是不可行的。
忆阻器技术：忆阻器是一种可以“记忆”电流通过其时的电压的非挥发性存储器件。这使得它可以用于模仿神经元连接的权重，因而具有在硬件级别进行学习的潜力。
解决方案：
完全集成的忆阻器芯片：该芯片不仅能模仿神经网络的功能，而且其能源效率也高，符合边缘设备的需求。
STELLAR架构：这是一个全面的解决方案，包括学习算法、硬件实现以及并行电导调谐方案。这一切都是为了在一片芯片上实现学习。
通用方法：无论使用哪种类型的忆阻器，STELLAR架构都能有效地促进片上学习。
多应用适应性：研究不仅仅是理论性的，而是在运动控制、图像分类和语音识别等多个应用场景中进行了实证。
它其实就是对于传统的神经网络学习的一个场景改进，我们常见的方法是把数据发送给远端的计算单元，计算完成之后再把结果传回来。
而边缘计算的好处就是在本地就可以实现计算，省掉了数据传来传去的时间。
但问题就是边缘设备，比如说小的传感器，小型的摄像机，没办法带有足够的计算能力，而这种忆阻器提供了一个新的解决方案。
这对于人工智能的整体提升是有好处的，不过等到应用还会有很长的路要走。