在这个“AI无处不在”的时代，边缘AI设备如何实现高效、安全又个性化的训练？本文将带你深入解析一篇突破性的研究论文，并揭秘一款名为TestMesh®的专业测试平台，如何在其中发挥决定性作用。

论文亮点抢先看

原文标题： 《On-Chip Customized Learning on Resistive Memory Technology for Secure Edge AI》

发表会议： JSAP 2025 Symposium on VLSI Technology and Circuits

作者机构： CEA-Leti、Weebit Nano、Univ. Paris-Saclay

---

研究目标

传统AI训练功耗高、隐私风险大，特别是在边缘设备（Edge AI）上难以部署。 本研究首次在ReRAM芯片上实现了完整的少样本学习任务训练，通过与MAML算法协同，大幅减少了ReRAM写入次数，仅用5次训练迭代即达97%准确率！

技术核心拆解

✅ MAML算法：学会“如何快速学习”

• 离线“元学习”阶段预训练出初始模型参数 θ；

• 在线仅需5次权重更新，即可完成新任务学习；

• 极大减少ReRAM写入次数，延长寿命。

✅ ReRAM芯片平台：

• 130nm CMOS工艺 + 多级可调 ReRAM cell；

• 权重以两颗cell电导差值编码，具备存算一体特性。

✅ 创新编程策略：

策略	特点	实验表现
Single Shot Set	快速写入	精度差
Iterative Set	多次设定	精度好，漂移大
Iterative Reset	先高再低写入	更稳定
Hybrid（融合）	综合优势	最佳结果，长期稳定性高

实验结果震撼公布

• 在Omniglot字符识别任务中，5次ReRAM更新后准确率达97.28%；

• 高温老化12小时（150°C）后仍维持>90%准确率；

• 单次训练任务能耗低于10μJ，超适合嵌入式和IoT终端。

TestMesh®测试平台的核心作用

论文中大量实验数据都来自nplusT公司的TestMesh® ReRAM专用测试平台。它在这项研究中的作用不可或缺：

实验需求	TestMesh 功能支持
Conductance状态分布测量	精准采集多位电导数值与偏差
多策略编程优化	支持“迭代式设定”、“重置”策略测试
高温老化测试	提供温控与漂移记录功能
硬件在环训练	可与MAML算法联动进行训练+写入闭环
能耗分析	实测单次写入能耗与效率数据

✅ TestMesh® 通过其脚本化控制和统计接口，助力研究团队构建软硬一体的AI实验平台，是实现这一研究突破的幕后“硬核功臣”。

结语：TestMesh，打开ReRAM智能芯片研究的新纪元

ReRAM 正在成为未来 AI 芯片中的关键存储/计算融合单元，而像 TestMesh® 这样专业的测试平台，将成为打通器件物理特性与算法设计之间的桥梁。

本研究不仅证明了 ReRAM 可用于极低功耗的边缘 AI 学习，还开启了未来“个性化、安全、云脱钩”的智能硬件研究路径。