Статья посвящена анализу современного состояния и перспектив развития высокопроизводительных вычислений на основе принципов хранения и обработки информации в биологических нейронных сетях, которые обеспечены возможностями новой электронной компонентной базы (ЭКБ), представленной мемристорами (нелинейными резисторами с памятью или элементами резистивной памяти с произвольным доступом (англ.: Resistive Random Access Memory (RRAM)). Мемристоры могут быть реализованы на базе различных материалов и наноструктур, совместимых со стандартным технологическим процессом микроэлектроники, и позволяют производить “вычисления в памяти”. Естественным образом такие вычисления реализуются в нейроморфных системах, использующих для выполнения векторно-матричного умножения архитектуру “кроссбар”, в которой мемристоры на пересечениях проводящих шин выступают в качестве синаптических весов – пластичных соединений между искусственными нейронами в полносвязной архитектуре нейронной сети. В статье рассмотрены общие подходы к разработке и созданию новой ЭКБ на основе технологии RRAM, совместимой с комплементарными структурами металл-оксид-полупроводник, разработке искусственных нейронных сетей и нейропроцессора, использующих мемристорные матрицы кроссбар как вычислительные ядра и масштабируемые многоядерные архитектуры для реализации как формальных, так и импульсных нейросетевых алгоритмов. Описаны технические решения, обеспечивающие аппаратную реализацию мемристорных кроссбаров достаточно большой размерности, а также решения, компенсирующие некоторые недостатки или принципиальные ограничения, присущие современным мемристорам на стадии взросления технологии. Проведен анализ производительности и энергоэффективности для опубликованных прототипов таких нейроморфных систем и сделан вывод о существенном (на порядки величины) выигрыше с точки зрения этих параметров по сравнению с вычислительными системами на основе традиционной элементной базы (в том числе нейроморфными). Технологическое освоение новой элементной базы и создание мемристорных нейроморфных вычислительных систем обеспечит не только своевременную диверсификацию аппаратного обеспечения для непрерывного развития и массового внедрения технологий искусственного интеллекта, но и позволит поставить задачи совершенно нового уровня по созданию гибридного интеллекта на основе симбиоза искусственных и биологических нейронных сетей. Среди этих задач первоочередными являются задачи по созданию мозгоподобных самообучающихся спайковых нейросетей и адаптивных нейроинтерфейсов на основе мемристоров, которые также обсуждаются в работе.
