神经形态计算是一种新兴的计算范式，旨在通过借鉴生物神经系统的结构与功能，开发高效的计算系统。近年来，基于忆阻器的神经形态器件被视为构建类脑计算系统的重要组成部分。这些器件能够利用忆阻效应模仿生物突触的各种可塑性形式，从而在神经形态计算中实现重要功能。然而，现有的原型器件大多集中于实现单个神经元或突触的功能，缺乏生物神经网络中重要的网络级特性，特别是神经回路的可重用性。神经重用理论认为，已建立的神经回路可以通过重新部署用于不同任务，而不失去其原有功能。这一内在机制促使有机体在学习过程中能够将知识广泛迁移应用于各种任务，而不必每次都从头开始。因此，能在神经形态硬件中实现这一特性，将使现有硬件组件能够适应多种任务，从而提高计算的灵活性、鲁棒性和资源利用效率。
鉴于此，来自本课题组在神经重用相关领域取得了新进展。该团队设计了一种基于铁电-离子相的可刷新忆阻器，成功实现了神经重用功能。通过动态分配铁电-离子相，该设备能够在挥发性和非挥发性工作模式之间进行协同工作，支持神经重用过程中所需的刷新操作。与现有的忆阻器设备不同，所设计的器件在经过刷新过程后，铁电极化能够保持一致性，为多个任务之间的功能共享提供了保障。利用这一创新器件，研究人员显著提高了神经形态硬件的分类精度，提升幅度达17%，同时能耗降低了40%；在多任务场景下，训练速度提升了2200%，泛化能力增强了21%。这一突破性成果为基于铁电-离子相的可刷新硬件平台提供了新的思路，推动了更高效算法和架构的实现。
通过这一研究，神经重用的概念能够被有效地应用于神经形态硬件中，为未来神经形态计算的发展开辟了新的方向。