Neurones à rétroaction basés sur un mémristor pérovskite avec cathode en oxyde de graphène réduit ingénierée par des atomes uniques de nickel

Puces inspirées du cerveau pour des machines plus intelligentes

Les ordinateurs modernes sont rapides mais étonnamment inefficaces pour des tâches que notre cerveau réalise aisément, comme reconnaître une fleur ou planifier un itinéraire optimal entre de nombreuses villes. Cet article présente un nouveau type de composant électronique qui se comporte davantage comme un neurone réel du cerveau, traitant à la fois les signaux d’« activation » et d’« inhibition » dans un unique dispositif minuscule. En ingénierie des matériaux au niveau d’atomes isolés, les chercheurs créent des neurones artificiels capables d’apprendre des motifs et de résoudre des problèmes d’optimisation complexes en utilisant beaucoup moins de matériel que les processeurs actuels.

Pourquoi nous avons besoin de nouveaux types de neurones en matériel

Les neurones biologiques jonglent en permanence avec deux types de signaux : des signaux excitateurs qui les poussent à déclencher une activité, et des signaux inhibiteurs qui les freinent. L’équilibre entre ces deux forces est crucial pour une pensée, une perception et une prise de décision stables. Une classe particulière appelée neurones à rétroaction mélange les signaux « avant » entrants avec des signaux inhibiteurs « arrière », permettant des comportements comme la compétition entre neurones et les décisions de type « gagnant prend tout », où seule la réponse la plus forte survit. Reproduire ce comportement dual et finement équilibré en électronique a été difficile. La plupart des dispositifs « mémristors » existants, qui mémorisent leur histoire électrique, conduisent le courant principalement dans un sens et se déchargent trop rapidement, ce qui en fait de mauvais substituts pour des neurones qui doivent intégrer des signaux sur des millisecondes.

Concevoir un dispositif électronique plus intelligent

L’équipe relève ces limites en utilisant un mémristor à base de pérovskite — un dispositif dont la conductance peut varier progressivement — combiné à une cathode inhabituelle faite d’oxyde de graphène réduit décoré d’atomes de nickel isolés. Cette couche d’atomes uniques de nickel n’est pas un simple contact passif. D’une part, elle module le paysage énergétique à l’interface de sorte que les électrons puissent circuler de manière plus symétrique dans les deux directions, soutenant des comportements excitateurs et inhibiteurs équilibrés. D’autre part, elle augmente la barrière énergétique pour le déplacement des ions iodure vers l’électrode. Plutôt que de circuler librement, les ions deviennent partiellement confinés et se déplacent plus lentement et de façon réversible. Ce mouvement contrôlé étire la « mémoire » du dispositif des signaux précédents jusque dans l’échelle temporelle pertinente biologiquement (millisecondes) sans recourir à des condensateurs externes encombrants.

Comment la conception atomique façonne le comportement

Grâce à une microscopie et une spectroscopie avancées, les chercheurs confirment que les atomes de nickel sont individuellement ancrés sur des sites oxygène au sein de la couche à base de graphène, plutôt que d’être agglomérés en particules. Des simulations informatiques montrent que cet arrangement atomique déplace les niveaux d’énergie électronique de la feuille de carbone, la rendant plus métallique et mieux adaptée à la pérovskite en dessous. Parallèlement, les calculs révèlent une barrière de diffusion plus élevée pour les ions iodure en présence de nickel. Expérimentalement, les dispositifs dotés de cette cathode ingénierée peuvent parcourir en douceur environ 1 000 niveaux de conductance distincts et affichent des réponses presque symétriques miroir pour des balayages de tension positifs et négatifs. Leur courant décroît sur environ 780 millisecondes après stimulation — une échelle temporelle proche de celle des cellules nerveuses réelles — permettant au dispositif d’imiter fidèlement la dynamique de type « intégration et tirage avec fuite » (leaky integrate-and-fire).

Du dispositif unique au réseau apprenant

En stimulant ces mémristors avec des impulsions de tension adaptées, l’équipe démontre qu’un seul dispositif peut agir comme un neurone à rétroaction : il somme les impulsions entrantes, déclenche un « tir » lorsque son courant dépasse un seuil, puis redescend lentement vers son état de repos. Des impulsions négatives suppriment sa conductance, fournissant une forme électronique d’inhibition. Des réseaux de ces neurones sont organisés en matrices en croix (crossbar) et reliés à une électronique de commande simple basée sur des FPGA. Dans une démonstration, le système réalise un apprentissage compétitif non supervisé sur des données florales, regroupant trois types de fleurs selon leurs caractéristiques mesurées, chaque neurone se spécialisant dans un type particulier. Dans un autre test, un schéma d’apprentissage coopératif basé sur une carte auto-organisatrice utilise le même type de neurones pour résoudre le problème du voyageur de commerce, un défi classique de la logistique, convergeant vers des routes efficaces jusqu’à six fois plus vite qu’un algorithme de recuit simulé standard.

Ce que cela signifie pour l’informatique future

Concrètement, ce travail montre que nous pouvons de plus en plus construire des composants électroniques qui se comportent comme de petites cellules cérébrales ajustables plutôt que comme de simples interrupteurs marche/arrêt. En plaçant des atomes uniques de nickel aux endroits appropriés dans une couche à base de graphène, les auteurs obtiennent un contrôle précis à la fois des électrons et des ions, aboutissant à un dispositif capable d’exciter, d’inhiber et d’oublier lentement d’une manière proche du cerveau. Ces neurones artificiels à rétroaction peuvent être densément intégrés, nécessitent peu d’électronique auxiliaire et traitent déjà des tâches d’apprentissage réalistes et des problèmes d’optimisation. À mesure que ces dispositifs s’amélioreront, ils pourraient constituer la base d’un matériel compact et économe en énergie qui complète, voire remplace, certaines parties des processeurs numériques énergivores d’aujourd’hui dans des applications allant de la reconnaissance de motifs à la planification intelligente.

Citation: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

Mots-clés: informatique neuromorphique, mémristor, dispositifs pérovskites, électronique au graphene, apprentissage matériel