随着航空航天技术的不断进步，适应复杂动态环境的智能控制系统需求日益增长。传统基于图灵机模型的人工智能系统在离线学习与推理过程中，存在无法实时并行学习与推理的根本瓶颈，导致在多变且不可预测的环境中易出现性能下降甚至失效的风险。人类大脑强大的信息处理能力启发了科学家对超图灵计算模式的深入研究，这种模式允许神经生物学电路在推理与学习间实现并行，此外还具备极低能耗和高适应性。在最新研究中，超图灵突触电阻电路（Synstor）正式亮相，凭借其兼具记忆、推理和在线学习能力的独特架构，开启了智能可变翼技术的新篇章。超图灵突触电阻电路模拟了生物突触的功能，采用硅通道、二氧化硅绝缘层及高性能铁电材料Hf0.5Zr0.5O2堆叠结构。为实现高保真度的模拟电导调控，电路设计以钛合金电极与硅通道形成施密特结接触，通过精细控制输入输出电极的电压脉冲，实现电导值的连续可调。
这种设计不仅令推理过程与学习过程可同步进行，更保证了电路在不同环境条件下的动态自我适应与误差修正能力。在传统计算框架下，人工神经网络（ANN）需要将学习和推理分别执行，学习阶段往往耗时且能耗庞大，尤其是在面对环境剧烈变化时，ANN难以实时调整其权重矩阵，导致性能瓶颈难以突破。相比之下，超图灵突触电阻电路能够在推理的同时，通过协同学习规则实时修正权重矩阵，有效缩短学习时间，增强系统对复杂动荡空气动力环境的适应性。研究团队在风洞实验中，将超图灵突触电阻电路、未经训练的人类操作员以及基于强化学习算法的ANN应用于控制一款形变翼。目标是最小化阻力与升力比率及其波动，特别是在翼面失速的混沌环境下实现自我恢复。实验结果显示，在预失速环境，下同学习任务中，突触电阻电路的平均学习时长远低于人类和ANN，后者耗时更长且能耗更高。
尤为显著的是，在失速的复杂气动环境内，突触电阻电路成功实现了形变翼状态的有效恢复和性能优化，人类则表现出部分成功，而ANN则未能完成该任务。该超图灵电路的低功耗特性格外突出，其在执行推理与学习时的功耗仅为纳瓦级，而对应电脑执行ANN算法则高达瓦级，功耗差距达到八个数量级以上。其电导调节范围涵盖千级连续水平，非易失性的存储能力保证了长期稳定运行，具有极高的耐用性与可持续性。此外，该电路内部实现了类突触的时序依赖学习规则(STDP)，通过输入与输出信号的外积更新权重矩阵，使其具有类似于生物神经网络的高效联想与记忆能力。工程实践中，超图灵突触电阻电路驱动的形变翼利用压电复合材料（MFC）实现主动翼型调整，通过实时反馈的传感数据调整推理输出，迅速响应气流变化，实现精细化的空气动力优化。该技术不仅提升了飞行器的抗扰动能力和机动灵活性，还助力实现低能耗、高性能的自主飞行控制。
超图灵计算作为神经科学与电路工程的融合前沿，为突破传统图灵系统限制奠定基础，特别是在边缘计算和能量受限的平台，显示出巨大潜力。随着纳米制造与铁电材料技术的发展，未来突触电阻电路有望进一步缩小体积、提升集成度和运算能力，使其适用广泛的智能感知与控制领域。展望未来，集成多层超图灵突触电阻电路的智能飞行系统将实现更复杂的环境感知、多任务并行处理及快速自适应能力，为智能无人机、自动驾驶车辆以及机器人技术注入新的活力。超图灵突触电阻电路的突破，不仅反映了从计算架构上的重大革新，更代表了从生物智能向人工智能的深度跨越，激励科学家和工程师持续探索神经形态计算的边界，推动人类社会迈向更加智能、高效的新时代。
