8.5倍能效提升
利用忆阻器写入噪声驱动进化训练，实现多模态信号在量化噪声与硬件非理想性下的鲁棒边缘智能。
Yangboyu, Liu · 王子路 · Zibo, Chen · Lin, Kai · 许红雨 · 张森 · 王小平 · 曾志刚
Neural Networks 2026
与冯·诺依曼边缘计算架构相比，该框架能实现约5.8倍的能耗节省，归因于忆阻器架构的存内计算和并行处理能力。
忆阻器写入噪声被用作功能性扰动驱动进化训练，在量化噪声下仍能提升分类精度，增强对硬件非理想性的鲁棒性。
该框架融合生理、视觉和听觉模态，在图像、音频和EEG任务上验证，可实现数十毫秒的推理延迟和数十毫瓦的功耗，满足实时驾驶安全监测需求。
该框架构建了感知-分析-决策的闭环流水线，提高安全关键决策的可靠性，适用于人-车-环境系统中的道路安全决策。