研究团队基于二硒化铪忆阻器，构建出兼容硅工艺的存算一体芯片，在保持传统数字系统精度的同时，将人工智能推理能耗降低到不足一半。

跨机构团队提出CLAP系统，将认证与数据处理集成在同一忆阻器平台上，在保障隐私的同时显著提升边缘计算设备的能效与面积利用率。

研究团队在忆阻器中引入稳定的内置氧梯度，实现缓慢且可控的电导演化，并将其映射为强化学习中的自适应学习率，大幅提升学习效率与稳定性。

拉夫堡大学研究团队开发出一种基于忆阻器的水库计算芯片，利用材料本身的物理特性在硬件中直接处理时间序列数据，在特定任务上相较传统软件方法可实现最高约2000倍的能效提升。

国际团队利用温度调制的挥发性忆阻器，在单一器件中实现类生物多模态伤害感受阈值调制，为电子皮肤和智能机器人等应用奠定基础。

研究团队利用二维层状硒化铋（Bi2Se3）制备出兼具长期数据保持和模拟调节能力的新型忆阻器，并在全模拟硬件储备计算网络中成功完成平衡杆控制任务，展示了其在高能效类脑计算中的应用潜力。

剑桥大学牵头团队开发出一种基于氧化铪的新型纳米电子忆阻器，通过在同一位置完成存储与计算，显著降低人工智能硬件能耗，并在稳定性和可学习性方面接近人脑神经网络特性。