浙江大学研究团队在人工神经网络持续学习领域取得突破，成功利用元可塑性人工突触缓解了灾难性遗忘问题，相关成果发表于《advanced materials》。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
研究亮点：
该研究团队基于石墨烯量子点忆阻器件，首次在单器件层面实现了元可塑性，并模拟了生物突触的可塑性行为。通过设计不同的脉冲序列，在单器件上成功模拟了海马体局部神经回路的动态学习过程，并验证了其构建大规模神经网络阵列的可行性。 在连续四次MNIST数据集训练中，该元可塑性神经网络在第四次任务达到97%准确率的同时，前三次任务的准确率仍保持在94%以上，有效缓解了灾难性遗忘。这项研究突破了以往基于模型或算法实现元可塑性的局限，为解决人工神经网络的灾难性遗忘提供了新的硬件方案，缩小了人工神经网络与生物神经网络的差距，对构建高泛化能力的智能神经网络具有重要意义。
研究背景：
灾难性遗忘是阻碍神经网络持续学习的主要瓶颈，它源于对生物神经回路复杂性的简化模拟，忽略了记忆稳定性和学习可塑性之间的动态平衡。 元可塑性，作为一种高级的可塑性机制，能够在快速适应新信息的同时保持长期记忆的稳定性，为解决灾难性遗忘提供了新的思路。然而，现有元可塑性方法存在系统复杂性高、计算成本大、工程实现困难等问题。
研究团队：
张亦舒研究员，浙江大学杭州国际科创中心百人计划研究员，长期从事新型存储器和神经形态计算研究。
凡雪蒙博士生，浙江大学集成电路学院博士生，主要研究方向为自整流RRAM器件及神经形态计算。
