图神经网络已广泛用于研究社交网络、电子商务、药物预测、人机交互等。中科院微电子研究所(IMECAS)和香港大学的研究人员以随机电阻记忆(RRM)加速图学习，在作为封面故事发表在《NatureMachineIntelligence》上的一项新研究中，实现了40.37倍的改进在代表性图形学习任务中，图形处理单元的能源效率。
在传统的冯诺依曼计算机上使用图进行深度学习会导致频繁的数据穿梭，不可避免地导致处理时间长和能耗高。使用电阻式内存的内存计算可能会提供一种新颖的解决方案。
研究人员提出了一种新颖的硬件-软件协同设计，即基于RRM的回声状态图神经网络，以应对这些挑战。
RRM不仅利用低成本、纳米级和可堆叠的电阻器来实现高效的内存计算，而且还利用电介质击穿的内在随机性在硬件中为回声状态网络实现随机投影，从而有效地将训练成本降至最低。
这项工作对于开发下一代人工智能硬件系统具有重要意义。