امروزه یکی از کاربرد های مهم ممریستور استفاده از آن به عنوان سیناپس در شبکه های عصبی مصنوعی است. علت آن نیز ساخت متراکم و عملکرد عالی آن به عنوان حافظه آنالوگ است. اما اگر تنها از یک ممریستور به عنوان سیناپس استفاده شود و بدنه سلول یک پالس ژنراتور باشد، در این صورت اگر پالس در پیش سیناپس ایجاد شود جریان از ممریستور عبور کرده و پتانسیل پس سیناپس را افزایش می دهد. با پایان یافتن پالس پیش سیناپسی، جریان از پس سیناپس به سمت پیش سیناپس در ممریستور جاری شده و ولتاژ پیش سیناپی را افزایش می دهد. بنابراین در هر لحظه، پتانسیل نقاط مختلف شبکه عصبی از یکدیگر تاثیر می پریرند. در این پایان نامه، مداری برای ارتباط نرون ها با استفاده از ممریستور پیشنهاد کردیم که در آن یکسویی سیناپس، به عنوان یکی از مشخصه های اصلی سیناپس در شبکه های عصبی بیولوژیکی، بر روی ممریستور پیاده سازی شده است. از طرفی نشان دادیم که قانون stdp نیز در یادگیری سیناپس رعایت شده است. همچنین مغز انسان تقریباً از 1010 نرون که هر یک با 104 نرون در ارتباط است تشکیل شده است. به عبارتی حدوداً 1014 سیناپس در مغز وجود دارد. بنابراین یکی از مشکلات ساخت شبکه های عصبی مصنوعی، تعداد زیاد قطعه است. ما در این پایان نامه پس از مدل سازی ترانزیستور های ((tft non-crystalline silicon thin-film transistors با ابعاد نانو در pspice ، از آنها جهت ساخت مدار نرون استفاده شده است. این ترانزیستور ها امکان ساخت تعداد زیادی قطعه به صورت سه بعدی را به ما می دهد. پالس خروجی این مدار دارای دو بخش مثبت و منفی است که مناسب برای پیاده سازی قانون stdp است.