本文提出了一种基于忆阻器的深度神经网络（DNN）框架，结合权重修剪和量化，利用交替方向乘子法（ADMM）实现高压缩比和低精度损失。研究表明，该框架在VGG-16和ResNet-18网络上显著降低了功耗和面积，同时保持较高的训练准确率。此外，探讨了混合精度训练方案和新算法，以提高大型语言模型的服务效率，解决系统提示的瓶颈问题。

本研究探讨了硬件感知训练在神经网络中的应用，利用memristive和memcapacitive交叉阵列提升网络性能。在VGG网络上训练CIFAR-10数据集，取得了90.02%和91.03%的准确率。同时，提出了基于memristor的硬件架构，实现了QNNs的元可塑性，并验证了其在MNIST和Fashion-MNIST上的有效性，为高效机器学习应用提供了先进硬件解决方案。