然而，创新正在许多层面上发生，涉及石墨烯的有趣应用不断出现。近的一个领域，与其他领域（甚至在电子学领域）有些不同的是，使用石墨烯为神经形态计算硬件制造记忆电阻器，这些硬件是电子电路和电子结构，模仿人类神经系统中的生物结构。
记忆电阻器现在正成为人工神经网络（ann）内存计算引擎中计算机体系结构的重要组成部分，而ann本身正成为许多自动化领域的强大人工智能（AI）算法。虽然互补金属氧化物半导体（CMOS）架构多年来一直是金标准，工程师们正在寻找其他替代品，而人脑（及其附属的中枢神经系统）也一直对人工智能相关应用产生兴趣。
安是如何模仿人脑的
不用说，拥有更高的计算能力有助于人工智能算法更有效地执行其操作。即使有了现代计算技术的进步，在能量和面积效率方面，现在可用的超级计算机远不能与大脑匹敌，因为大脑每瓦特可以执行更多的操作。因此，如果我们自己的“自然计算机”的能力能够得到利用，那么我们的人工计算和人工智能操作可能会变得更有效率。
模拟大脑的工作已经完成，神经网络已经成为好的方法之一，因为神经网络可以用来模拟人脑基本的方面之一，即电突触。模仿大脑的一个关键方面是适应外部刺激的能力，这种刺激会随着时间的推移而变化，而神经网络能够在一定程度上通过调节连接到人工突触的突触权重来实现这一点，因为这使得整个神经网络系统的连通性能够随着环境的变化而重新配置。
这些人工神经重构可以通过使用能够改变其电阻/电导（充当突触重量）的装置来重现真实神经元的生物学功能，当突触活动以外加电流或偏压的形式存在时。这些器件还需要几种不同的电阻/电导状态才能有效工作。记忆电阻器已经成为促进这些神经形态计算结构中突触的设备之一。
构建神经形态系统的当前挑战
尽管人工神经网络已经显示出很大的潜力，但它们还不能在不消耗能量和区域效率的情况下扩展到人脑的全部容量，因为当前的一些架构在物理上分离了逻辑和内存，使得其可扩展性受到限制。当涉及到与现有CMOS技术的兼容性时，该过程变得非常低效，并且与其他器件相比，某些器件的性能更差。
通过使用交叉杆结构，如memristor，其中每个电导状态都充当一个非易失性存储单元，这在某种程度上得到了弥补。因为这减少了在其他神经网络结构中看到的内存和计算之间的数据穿梭瓶颈。虽然这有助于提高效率，但大多数记忆电阻器本质上是二进制的，因为它们通常具有两种电阻状态：一种是高电阻状态，即器件处于“关闭”状态；另一种是低电阻状态，即器件处于“打开”状态。
模拟操作（具有多个电阻状态）比二进制操作更可取，因为更多的操作将量化误差降至低，从而导致更精确和高效的系统。然而，在许多记忆电阻器中实现多个电阻状态是困难的，在二进制器件中实现模拟运算的方法导致神经网络不能正确收敛。因此，新的方法正在试验，以发现记忆电阻器如何实现模拟运算，近的研究已经转向石墨烯来帮助。
用于神经形态计算的石墨烯忆阻器的研制
近对石墨烯记忆电阻器的研究为这些突触神经网络系统和神经形态计算机硬件带来了一些有趣的结果。基于可编程石墨烯场效应晶体管（GFETs），其结果是一种能够实现16种以上电导状态的电阻存储器器件，解决了现有结构的一些关键问题。
这是对许多memristor器件的二进制态的一个重大改进，也是石墨烯存储空间本身的一个重大成就。虽然基于石墨烯的存储设备并不是一个新概念，但是大多数石墨烯存储设备在一个设备上只有2个存储状态（1位），因此多个状态的存在对于这种结构来说是相当新颖和独特的。与其他突触器件相比，石墨烯记忆电阻器还显示出良好的保持力和开关耐力，以及更高的精确度。
虽然这还只是早期，但石墨烯的使用为神经形态计算的进一步发展提供了一些潜力，使神经网络更加有效和准确。越来越多的人试图将石墨烯应用到电子和计算领域，因此看到更多创新领域的出现是很有趣的。石墨烯行业内部也有很多合作，所以这个行业不应该有任何障碍。不过，我们还得看看数据和计算部门是否会进一步考虑在高级计算系统中采用石墨烯记忆电阻器结构（以及一般的石墨烯增强型存储设备）。