STELLAR架構中的方案，包括其學習算法、硬件實現和并行電導調諧方案，是通過使用憶阻器交叉棒陣列促進片上學習的通用方法，而不考慮憶阻器器件的類型。在這項研究中執行的任務包括運動控制、圖像分類和語音識別。總之，該研究是邁向未來具有高能效和廣泛學習能力的芯片的重要一步，有可能能夠加速未來智能邊緣設備的發展，以適應不同的應用場景和用戶。

人類的學習能力在智力增長和快速適應未知場景或動態變化的環境中起著至關重要的作用。邊緣人工智能(AI)應用也需要具有這種學習能力的硬件，以使相關設備能夠適應新的場景或用戶習慣。然而，深度神經網絡(DNN)訓練通常使用基于von Neumann計算架構和高精度數字計算范式的傳統硬件實現。處理器芯片和片外主存儲器之間廣泛的數據移動會產生大量的能量消耗，并且占整個訓練過程的大部分延遲。因此，盡管云計算平臺可以處理這種高能耗的訓練，它們的高能耗阻礙了在功率有限的邊緣計算平臺上實現學習。相比之下，基于憶阻器的神經啟發計算通過其顛覆性的內存計算架構和模擬計算范式消除了這種廣泛的數據移動。

憶阻器交叉棒陣列利用歐姆定律和基爾霍夫定律，可以在一個時間步內存儲模擬突觸權值，并在一個時間步內并行執行原位向量矩陣乘法運算。集成多個憶阻器交叉棒陣列和互補金屬氧化物半導體(CMOS)電路的神經啟發計算芯片可以輕松實現深度神經網絡推理，并且具有很大的潛力，可以完全處理片上學習，而無需任何片外存儲器的幫助。基于記憶電阻器的神經啟發計算提供了大量的能源效率提高，使這種范式有望開發未來的芯片，使低功耗學習設備成為可能。

一些研究已經通過實驗證明了使用憶阻器橫條陣列進行原位權值調諧的學習，盡管使用軟件或外部數字處理器來實現反向傳播(BP)算法。然而，實現具有強學習能力和低能耗的完整全集成憶阻器芯片仍然具有挑戰性。關鍵的挑戰在于將BP算法映射到片上硬件的效率低下。首先，由于器件的非理想性，如器件可變性和非線性電導調制，在內存中實現BP算法需要昂貴的電導調諧操作和寫入驗證。其次，通過寫入驗證很難實現高效的并行電導調諧，這使得片上學習更加耗時和耗能。第三，在權重更新計算過程中需要的高精度數據處理操作需要較大的電路面積和高能耗，導致不可接受的開銷。

該研究展示了一種基于記憶電阻器的神經啟發計算芯片，該芯片能夠實現完全的片上學習，為此提出了一種基于記憶電阻器的符號和閾值學習(STELLAR)架構。在此架構中，首次提出片上更新方案，無需驗證即可調整憶阻器。與寫驗證方案相比，該方案節省了電導調諧操作中過多的讀寫成本，并且可以解決器件的非線性和非對稱調諧問題，實現軟件可比的精度。

其次，設計片上計算模塊確定權值更新方向，該過程只涉及輸入、輸出和誤差的符號，而不涉及它們的高精度格式。該設計減少了電路設計的負擔，避免了片上學習的大量開銷。第三，提出了一種周期并聯電導調諧方案，其中電導調諧以逐行并聯方式進行。該方案進一步降低了誘導能量消耗和延遲，并適應了記憶電阻器有限的續航能力。這項研究是邁向未來具有高能效和廣泛學習能力的芯片的重要一步，有可能能夠加速未來智能邊緣設備的發展，以適應不同的應用場景和用戶。