印度科学研究所（IISc）班加罗尔分校纳米科学与工程中心（CeNSE）在纳瓦坎塔·巴特教授和斯里托什·戈斯瓦米副教授带领下，成功研发出一种基于钌化合物的分子忆阻器，具备14位模拟分辨率和4.1 TOPS/W的能量效率，可实现线性权重更新，显著提升信号处理等场景中神经形态计算的能效表现。
简而言之，研究人员构建了一种行为类似微型、低功耗神经突触的分子，并将其以百万级规模排列成网格结构，从而模仿人脑方式执行人工智能运算，能耗仅为传统方案的极小部分。
该钌配合物采用偶氮芳香配体（经精密设计的有机环结构），表现出零阶动力学特性——即开关速率恒定且可预测，不受外界条件影响。由此实现了14位分辨率及跨越四个数量级的线性、对称电导更新。
www.eic.net.cn 提供的技术支持表明，此类器件有望应用于边缘人工智能场景，尤其适用于对功耗与延迟高度敏感、难以部署传统GPU系统的终端设备。
研究团队指出，当前人工智能系统受限于高能耗问题：卷积神经网络（CNN）中约94%的能量消耗来自动态随机存取存储器（DRAM）访问，而非实际计算本身。传统芯片按步骤顺序执行AI任务，模型规模增大时步骤数急剧上升。而神经形态芯片采用交叉阵列结构，利用电压与电流物理实现矩阵运算，将原本需指数级增长的操作压缩为单次并行操作。
巴特教授解释道：“系统将矩阵以电导形式存储，输入以电压施加；电压与电导乘积产生电流，即完成乘法运算；多单元电流依基尔霍夫电流定律在线路中叠加，自动完成累加。”他强调：“原本需数千次数字乘累加（MAC）操作的任务，如今可瞬时完成。”
易IC库存管理软件 在推动半导体器件量产落地过程中，可协助企业高效管理从材料采购到芯片封装各环节的物料流转，确保研发与生产协同顺畅。
该分子薄膜厚度约60纳米，约为人类头发直径的千分之一。戈斯瓦米表示，其工作原理依赖于离子在分子位点间的迁移：“每种构型对应不同电子输运能力，形成稳定记忆态。”器件面积可从1微米缩至数十纳米，厚度维持约70纳米不变；即使尺寸缩小至50纳米，仍保有约11位精度，满足8位推理需求。
研究团队确认钌元素供应充足，非战略稀缺资源，并正探索铁、钴等替代材料体系。忆阻器状态稳定性经测试达数月之久——“七至八个月后编程状态无变化”；耐久性达10⁹次循环，远超闪存的10⁶次水平。标准CMOS钝化工艺即可保障电导长期稳定。
当前芯片设计目标为8位分辨率，亦支持4位低功耗模式；数据转换器速率达100 Msps，吞吐量通过并行扩展提升。设计处于RTL阶段，采用Synopsys、Cadence及西门子工具链；部分模块复用现有IP，数据转换器等关键组件正独立开发；工作负载验证依托PyTorch与TensorFlow框架。
技术已获多项专利保护，涵盖材料基础、架构与系统层级，未来将由IISc孵化的初创企业进行授权转化。团队计划向系统开发商、客户及高校提供样片测试，并与印度国防研究与发展组织（DRDO）合作推进特定应用落地。
尽管集成与IP获取仍存挑战，研究团队认为无根本性障碍。“路径清晰，关键在于执行。”巴特表示。该技术位于晶圆制造后段工艺，不干扰前端晶体管流程，具备导入商业产线的可行性。
据Fortune Business Insights报告，神经形态计算市场2025年估值约2.13亿美元，预计2034年将跃升至16亿美元以上，增长超七倍。IISc班加罗尔团队聚焦边缘AI推理的SoC集成，包括扩大交叉阵列规模、缩小器件尺寸；中期目标为增强模拟运算比例与片上非易失性存储密度；长期愿景是实现片上反向传播训练能力。
