神经形态计算是一种信息处理模型，它具有多功能性和灵活性，可以模拟人脑的效率。目前，以忆阻器为代表的人工突触器件已广泛应用于神经形态计算，并开发了不同类型的神经网络。

然而，对传统人工突触设备存储的权重进行固定和重新部署既费时又费力。此外，突触强度主要通过软件编程和改变脉冲时间来重建，这可能导致神经形态计算应用效率低、能耗高。

在北京的《国家科学评论》上发表的一篇新颖的研究文章中，中国科学院的王丽丽教授及其同事展示了一种基于可调柔性MXene储能(FMES)系统的新型硬件神经网络。

该系统包括柔性突触后电极和MXene纳米片，它们使用电解质与突触前电极连接。超级电容器中离子迁移过程和吸附的电位变化可以模拟突触间隙中的信息传递。此外，FMES系统的电压代表了两个神经元之间连接的突触权重。

研究人员探索了不同阻力水平下双脉冲促进的变化，以研究阻力对FMES人工突触系统高级学习和记忆行为的影响。结果表明，标准差越大，系统的存储能力越强。

也就是说，随着电阻和刺激时间的不断提高，FMES人工突触系统的记忆能力逐渐提高。因此，该系统可以在不改变外界刺激的情况下，通过调节系统内的电阻值来有效控制离子的积累和消散，有望实现传感信号与存储权重的耦合。

FMES系统可用于开发神经网络，实现各种神经形态计算任务，使手写数字集的识别准确率达到95%。此外，FMES系统可以模拟人脑的自适应能力，实现对相似目标数据集的自适应识别。经过训练过程，自适应识别准确率可达80%左右，避免了重新计算带来的时间和能量损失。

“未来，基于这项研究，可以将不同类型的传感器集成在芯片上，进一步实现多模态传感计算集成架构，”王丽丽教授表示，“该设备可以进行低能耗计算，有望实现解决了某些神经形态系统在零偏置电压下的高写入噪声、非线性差异和扩散问题。”