洪sik Jeong教授及其材料科学与工程系的研究团队，与中国清华大学的研究人员合作，提出了一种新的学习方法，通过挑战ANN芯片的不稳定性来提高其学习能力。
人工神经网络芯片能够模拟人类神经网络的结构、功能和生物学特征，因此被认为是未来的技术。在这项研究中，研究小组通过构建像ann一样运作的相变存储器(PCM)忆阻器阵列，证明了提出的学习方法的有效性。这种学习方法的优点是在不增加功耗的情况下，PCM的学习能力得到了提高，因为PCM在非晶化后会由于结构松弛而发生自发的电阻增加。
ann和人脑一样，即使在同时执行计算和记忆任务时，也会消耗更少的能量。然而，集成了大量物理设备的人工神经网络芯片存在着误差的缺点。现有的人工神经网络学习方法假设一个完美的没有误差的人工神经网络芯片，因此人工神经网络的学习能力较差。
该研究小组开发了一种基于相变记忆的记忆电阻器人工神经网络学习方法，认为真正的人脑不需要近乎完美的运动。这种学习方法反映了学习过程中记忆半导体中相变材料的“电阻漂移”(电阻增加)。在学习过程中，由于信息更新模式是以增加电阻的形式记录在记忆电阻器中，记忆电阻器作为一个突触，突触还学习它所改变的模式与它所学习的数据之间的联系。
该研究小组表明，通过对由数字0-9组成的笔迹进行分类的实验开发的学习方法，其学习能力提高了约3%。特别是，数字8的准确性有了显著的提高，因为这个数字很难对笔迹进行分类。由于突触更新模式根据笔迹分类难度的不同而不同，
杏耀平台经营之道 ，学习能力得到了提高。
研究人员希望他们的发现能够促进记忆电阻器器件内在特性的学习算法的发展，杏耀注册帐号为神经形态计算芯片的发展开辟一个新的方向。
