物理神经网络的类型

在1960年代，Bernard Widrow和Ted Hoff开发了ADALINE（自适应线性神经元），它使用称为介导子（记忆电阻器）的电化学电池来模拟人造神经元的突触。介电常数实现为基于铜的可逆电镀操作的3端子设备，因此两个端子之间的电阻由通过第三端子施加的电流的积分来控制。ADALINE电路在1960年代由Memistor公司进行了短暂的商业化处理，从而实现了模式识别中的某些应用。然而，由于不使用集成电路制造技术来制造介导器，因此该技术不可扩展，并且随着固态电子设备的成熟而最终被放弃。

1989年，Carver Mead出版了他的《模拟VLSI和神经系统》一书，可能是模拟神经网络最常见的变体。物理实现是在模拟VLSI中实现的。通常将其实现为低反相的场效应晶体管。可以将此类设备建模为跨线性电路。这是巴里·吉尔伯特（Barrie Gilbert）在1970年代中期发表的几篇论文中描述的一种技术，尤其是他在1981年发表的《跨线性电路》。通过这种方法，可以将电路分析为一组稳态的良好定义的函数，这样的电路组装成复杂的网络。

Alex Nugent将物理神经网络描述为一个或多个类似于神经元的非线性节点，这些节点用于求和信号和由纳米粒子、纳米线或纳米管形成的纳米连接，这些信号决定了输入到节点的信号强度。纳米连接的排列或自组装由施加的电场的执行历史来确定，该电场执行类似于神经突触的功能。这种物理神经网络的许多应用都是可能的。例如，时间求和设备“纳米连接”可以由具有一个输入和一个输出的一个或多个纳米连接组成，其中提供给该输入的输入信号使一个或多个纳米连接随时间经历其连接强度的增加。

Nugent和Molter证明，通过操作AHaH可塑性规则的简单忆阻电路，可以通过操作实现通用计算和通用机器学习。最近，有人争论说，纯忆阻电路的复杂网络也可以用作神经网络。

2002年，斯坦福·奥夫辛斯基（Stanford Ovshinsky）描述了一种模拟神经计算介质，其中相变材料具有累积响应多个输入信号的能力。相变材料的电阻的电气变化用于控制输入信号的加权。

惠普实验室的 Greg Snider 描述了一种具有忆阻性纳米设备的皮质计算系统。所述的忆阻器（存储器电阻）由其中电阻被电经由膜中的离子或氧空位的传输调谐薄膜材料实现。DARPA的SyNAPSE项目已与波士顿大学认知和神经系统系（CNS）合作、资助了IBM Research和HP Labs来开发可能基于忆阻系统的神经形态架构。