受ANN技术发展趋势的引导和忆阻器在ANN应用中存在的问题启发，清华大学精密仪器系类脑计算团队提出逆向利用忆阻器动力学的内在随机性实现复杂网络的按需生成的方法。在该方法中，通过时间复用创建多个虚拟节点，并利用器件动力学所具有的周期到周期（cycle to cycle，C2C）可变性生成不平凡的网络拓扑特征，例如小世界特征。当用于储备池计算时，与传统的全连接网络储备池相比，忆阻器复杂网络可以显著增加储备池记忆容量并提高性能。这项工作拓展了基于忆阻器的神经形态计算范式，并有望启发对忆阻器的内在物理性质（例如动力学和随机性）进行更多研究和应用。
该工作所用到的Pd/HfO2/Ta2O5/Ta忆阻器如上图所示，该忆阻器被电激发后的自发电阻衰减时间常数具有C2C可变性，以此作为时域虚拟节点连接的随机性来源。依据C2C随机性的统计规律设计了 “probabilistic border and all-or-none connection”（PBAONC）连接生成机制用于创建复杂网络。该设计使得仅在单个忆阻器内通过调节时间复用时隙就可以便捷地调节复杂网络的拓扑结构，提高了忆阻器应用于ANN时的效率和可重构性。
该方法利用动态忆阻器电阻衰减的内在C2C可变性来生成复杂的网络连接模式。生成的PBAONC复杂网络具有一定程度的小世界特性，这是生物（例如大脑）、互联网和社交网络中普遍存在的特征，实现了信息整合和分化的更优平衡。该工作展示了忆阻器PBAONC复杂网络在类脑储备池计算任务中的优势。实验结果表明，基于PBAONC拓扑的储备池网络具有更优的谱半径。忆阻器复杂网络储备池的记忆容量增加到传统忆阻器全连接储备池网络的209.8%并且在语音识别任务中展现出更佳的性能。
成果发表于2023年10月2日《Nature Communications》杂志。