近日，我院余飛副教授與合作者在人工智能領(lǐng)域頂級期刊《Neural Networks》上發(fā)表了論文“Memristor-induced hyperchaos, multiscroll and extreme multistability in fractional-order HNN: Image encryption and FPGA implementation”(https://doi.org/10.1016/j.neunet.2023.12.008)。學(xué)院研究生孔新新為第一作者，導(dǎo)師余飛副教授為通訊作者。Neural Networks作為中科院1區(qū)，CCF人工智能方向的B類期刊，是人工智能學(xué)科頂級期刊，收錄了人工智能領(lǐng)域最前沿的高端論文，目前影響因子為7.8。

本成果提出了兩種分數(shù)階憶阻器，通過使用憶阻器模擬神經(jīng)元的突觸并描述電磁輻射引起的電磁感應(yīng)現(xiàn)象，建立了一種新的5D分數(shù)階憶阻Hopfield neural network（FOMNN）。通過動力學(xué)仿真，發(fā)現(xiàn)了豐富的動力學(xué)行為，如超混沌、多渦卷、極端多穩(wěn)態(tài)和由降階引起的“超頻”行為。據(jù)我們所知，這是第一次在FOMN中同時發(fā)現(xiàn)如此豐富的動力學(xué)行為。在此基礎(chǔ)上，設(shè)計了一種高效、安全的圖像加密方案。安全性分析表明，加密后的Lena圖像具有極低的相鄰像素相關(guān)性和高隨機性，信息熵為7.9995。盡管丟棄了擴散和加擾，但它具有良好的明文敏感性，NCPR=99.6095%，UACI=33.4671%。最后，本文在現(xiàn)場可編程門陣列（FPGA）上實現(xiàn)了所提出的FOMHNN和圖像加密。