忆阻器由于其特殊的器件特性在人工神经网络的硬件实现方面有着巨大的优势。目前，人们对忆阻器的研究大多集中在利用其模拟阻变特性和非易失性在阵列上实现乘加运算，而对于利用忆阻器动态特性和非线性的研究相对较少。在本次演讲中我们将以储备池计算为出发点，探讨忆阻器的动态行为和非线性在人工神经元网络硬件实现中的意义，以及如何利用忆阻器的这些性质去实现神经形态计算。