正在日本早稻田大学担任访问学者时发表了该电路。
这个电路非常容易制作，因此使它成为了一个无处不在的现实世界的混沌系统存在的例子，一些学者为此声明它是一个“混沌系统的典范”。
而简称为CNN的细胞神经网络，那就更加不得了了。
人类对于神经网络模型也曾经走过不少的弯路，从最早的神经细胞模型，到神经网络模型，到感知机的三层结构探索，最终在六十年代掀起了一波文字识别，图像识别，声音识别的高潮。
然而很快，由于当时模型过于简单，导致感知机在原理和功能上都存在巨大的局限性，直到麻省理工学院的明斯基等人经过研究后指出，现有机制下的感知机，根本就不可能识别出线性不可分的模式，哪怕是简单的疑惑问题都无法解决。
这一研究成果，直接让感知机的研究热大退潮。
但是在理论领域，人们对于非线性混沌态的模型分析一直没有停止，诸如“学习矩阵”，“拟神经元”等思路和观点不断出现。
这一理论在八十年代终于获得了巨大突破，诸如“全互联型人工神经网络”，“模拟退火”方法论，“认知过程微结构理论”，“反向传播学习算法误差纠正”，“自适应共振理论”等新的方法开始出现，并且成功地证明了之前困扰人们的非线性感知问题，复杂模式识别问题，自适应特性问题，非线性系统优化问题，是完全可以通过神经网络理论加以解决。
在这些成就的基础上，蔡少棠通过自己的研究，提出了电路理论设计和硬件实现的方法，即细胞神经网络模型。
这是一种局部互连、双值输出的信号非线性模拟处理器，具有连续实时、能高速并行计算、适用于超大规模集成电路实现等特点。
与生物神经元不同，CNN细胞神经元之间的联系主要由权值模板控制，模板的不同体现出的非线性特征也各异，而具有记忆特性的忆阻器可被应用于神经元与神经元之间的机能连接点上，由此来模拟脑细胞神经元网络，实现对信息处理机制的仿真简化，实现逻辑运算和图像处理等功能。
这项研究成果，直接推开了人类未来将人工智能应用于生物医学、图像处理、自动控制、模式识别、信号处理、保密通信等诸多领域的大门，而数十年后的大数据，区块链等新兴技术，也与之密切相关。
虽然这项技术代表着未来的发展方向，但是其实有些过于超前了，目前基本都还在进行实验室研究，真正能够用来解决
本章未完，请点击下一页继续阅读！