在当前人工智能快速发展的大环境下，边缘计算因其在智能设备本地执行任务、降低延迟和提升数据隐私保障方面的优势，备受业界关注。然而，边缘设备受限的功耗和计算资源，也迫使研究者持续探索创新的硬件架构以实现高效推断。贝叶斯推断因其可解释性强和适应不确定环境的本质优势，逐渐成为边缘AI领域的焦点技术。传统的贝叶斯机器主要采用随机计算方法来实现乘法运算，以降低能耗，但却存在计算延迟长、难以处理低概率值等问题，使得其在复杂任务中表现受限。对数忆阻器驱动的贝叶斯机器正是在此背景下应运而生，结合了忆阻器的非易失存储特性和对数计算的简洁高效，开创了一条行之有效的硬件贝叶斯推断之路。忆阻器作为一种新兴的存储技术，通过控制其阻值的状态变化实现信息存储，具备低功耗、高密度和实现近存内计算的潜力。
在对数贝叶斯机器中，概率值被编码为对数空间的8位整数，这一变换巧妙地将概率乘法转换为整型加法，不仅降低计算复杂度，还增强对极小概率值的处理能力。具体而言，该设计利用基底为1/2、量化步长为八的编码方式，使得其能够覆盖从1到极低概率（约2.5×10^-10）的宽广范围，极大地拓展了应用场景。硬件结构上，采用混合CMOS/氧化铪忆阻器过程制成的原型机，备有16个忆阻阵列块，每个阵列采用2T2R（两晶体管两忆阻）差分位单元设计，显著抑制忆阻器存储的位错误率，提升读取可靠性。读取电路依托预充电式感测放大器（PCSA）实现电阻状态检测，保障了高速和抗噪声性能。此外，编程操作配合多级电压升压设计，支持忆阻器的高效SET/RESET切换，为模型参数存储提供了稳定基础。这款机器的运算基于近存内8位整型加法器完成，替代了传统随机计算中利用与门实现概率乘法的低效模式，大幅缩短了计算时延。
模型实际应用包括动作识别和睡眠阶段分类两方面，前者涉及动作传感器数据的概率推断，后者则是时间相关的贝叶斯滤波任务，利用脑电图（EEG）与肌电图（EMG）信号判定睡眠状态。睡眠阶段判别尤其凸显了系统对低概率处理的优势，因为该任务涉及复杂的状态转移概率和时间序列相关性，传统随机计算难以高效应对。实测结果表明，对数贝叶斯机器在标准供电条件（1.2伏）下达成了与软件仿真一致的72%准确率，在降低供电至0.8伏时性能依旧稳定，无需校准，展现出硬件架构的鲁棒性。与传统随机贝叶斯机器相比，这种对数方案不仅实现了更优的准确率，尤其在低概率处理方面优势明显，还显著降低了能耗和延迟。随机计算虽适合更简单的推断任务，且在存储错误耐受性上略优，但其对概率分布的线性编码导致处理极低概率时需大量时钟周期，能耗与延迟激增。应用分析中，动作识别任务中随机计算采用50个周期即可获得不错表现，而对睡眠分类复杂任务则需要超过千万周期才勉强达到对数机器的性能水平。
此外，能效评估显示，在低延迟和高精度前提下，对数贝叶斯机器远远优于随机计算方案，特别是在睡眠阶段任务中能耗仅为微控制器的千分之一左右。值得注意的是，忆阻器存储误差管理方面，采用2T2R差分结构是其关键创新之一，有效抑制了位错误率，同时免去了传统强纠错码带来的硬件开销。硬件制造工艺集中于130纳米低功耗CMOS结合氧化铪忆阻器技术，确保了工艺成熟度与性能融合的最佳平衡。未来研究方向包括扩展对数贝叶斯机器的规模与复杂度，探索集成其他新型非易失存储技术如铁电忆阻器以及提升功耗效率。此外，该体系结构的灵活性使其有潜力应用于更多概率模型和多样化边缘AI任务，如医疗诊断、结构安全监测及多传感器融合场景。综上，基于对数忆阻器的贝叶斯机器为边缘人工智能领域带来了划时代的硬件实现方案，具备极高的能效、准确率和解释性优势。
其设计巧妙融合了物理存储器件特性与数学对数变换，为人工智能硬件架构提供了全新思路，引领未来低功耗智能计算的发展潮流。对于追求能效、响应速度和系统鲁棒性的智能边缘设备来说，该技术显然是极具吸引力且具有广阔应用前景的选择。
