Réseau en crossbar de mémristors fluidiques à hydrogel confiné pour l’informatique neuromorphique

Pourquoi une puce molle et aqueuse importe

La plupart des ordinateurs actuels sont fabriqués en silicium rigide et utilisent des flux d’électrons, très différents des réseaux mous et humides du cerveau humain. Cette étude montre comment une puce faite de gels et d’ions en mouvement peut reproduire certaines capacités proches du cerveau, ouvrant la voie à des dispositifs plus économes en énergie et capables de détecter et de répondre directement aux substances chimiques de leur environnement.

Transformer l’inspiration cérébrale en dispositif mou

Le cerveau traite l’information à l’aide d’atomes chargés qui se déplacent à travers des connexions gélatineuses entre les cellules nerveuses. S’inspirant de cela, les chercheurs ont créé un composant électrique minuscule appelé mémristor fluidique en juxtaposant deux hydrogels à l’intérieur d’un pore microscopique dans une feuille de plastique. Un gel porte des charges positives fixes et attire des ions négatifs, tandis que l’autre est neutre et contient une solution saline diluée. Là où les deux gels se touchent, les ions peuvent lentement s’accumuler ou se dissiper selon la tension appliquée, conférant à l’appareil une mémoire des signaux passés sous la forme d’une résistance électrique variable.

Comment l’interface de gel mémorise les signaux

En balayant la tension à travers un seul pore, l’équipe a observé une courbe en boucle caractéristique de la mémoire véritable. Des modèles informatiques ont montré que cette réponse provient de l’accumulation ou de l’appauvrissement d’ions à la fine interface de gel au fil du temps. Dans une direction de tension, les ions négatifs afflux vers l’interface puis se répandent dans le gel neutre, facilitant la conduction ; dans l’autre direction, ils sont attirés et retirés, la rendant moins conductrice. Parce que cette réorganisation met du temps à se stabiliser, l’appareil « se souvient » des impulsions récentes sous la forme d’un changement temporaire de conductance, à l’instar d’une synapse biologique qui se renforce ou s’affaiblit après activité.

Imiter l’apprentissage des connexions nerveuses

Les chercheurs ont ensuite stimulé les dispositifs avec de courtes impulsions de tension représentant des pics nerveux. Des paires d’impulsions négatives rapprochées ont fait croître la seconde réponse, un comportement appelé facilitation, tandis que des impulsions positives ont réduit la seconde réponse, comme la dépression synaptique réelle. Des séries d’impulsions de fréquences, nombres et largeurs variés ont produit des modifications graduelles de la conductance, montrant que le dispositif peut filtrer les signaux dans le temps et stocker plusieurs niveaux de poids. Il fonctionne à des tensions de l’ordre du millivolt et à des énergies par impulsion à l’échelle du picojoule, bien en dessous des circuits à état solide classiques, et peut être commuté de manière fiable de nombreuses fois, ce qui est essentiel pour des tâches de calcul pratiques.

D’un pore unique à une grille pensante

Parce que les hydrogels sont faciles à imprimer et à durcir sur place, l’équipe a fabriqué des réseaux en crossbar complets en perçant des grilles régulières de pores coniques dans du polyimide flexible et en remplissant chaque pore par l’empilement des deux gels. Un petit réseau 3 × 3 a montré un comportement uniforme entre les sites, et un plus grand réseau 10 × 10 a atteint un rendement opérationnel de 94 %, indiquant que le design confiné et souple est bien évolutif. La matrice peut aussi répondre directement à des substances chimiques : la molécule énergétique biologique ATP pénètre dans le gel chargé, s’y lie et réduit sa charge, ce qui affaiblit l’effet mémristif et accélère la perte des états stockés, utilisant ainsi la chimie pour moduler le comportement de type synaptique.

Laisser le matériel mou reconnaître des chiffres

Pour évaluer le traitement d’informations réelles, les auteurs ont utilisé la matrice comme noyau dynamique d’un type d’apprentissage automatique appelé reservoir computing. Des motifs d’impulsions de tension représentant les lignes d’images de chiffres en noir et blanc ont été injectés dans des pores sélectionnés, et les valeurs de conductance résultantes ont été lues dans une couche logicielle simple qui effectuait la classification finale. Avec ce montage, le système a correctement reconnu des motifs de chiffres générés par ordinateur et a atteint 89,5 % de précision sur des chiffres manuscrits de la base de données MNIST, un banc d’essai courant en intelligence artificielle, montrant qu’une matrice modeste à base d’ions peut réaliser des tâches de reconnaissance non triviales.

Ce que cela signifie pour les futurs ordinateurs mous

Ce travail démontre qu’une large grille ordonnée de mémristors fluidiques mous peut être fabriquée et utilisée pour un calcul inspiré du cerveau, tout en réagissant directement à des signaux chimiques. Bien que des défis subsistent, comme la stabilité à long terme et l’obtention de formes de mémoire plus permanentes, l’approche de l’hydrogel confiné ouvre la voie à de futures puces qui calculent avec des ions plutôt qu’avec des électrons et pourraient un jour fusionner détection, chimie et intelligence basse consommation dans du matériel flexible et proche des tissus.

Citation: Guo, G., Xiong, T., Xie, B. et al. Confined-hydrogel fluidic memristor crossbar array for neuromorphic computing. Nat Commun 17, 4275 (2026). https://doi.org/10.1038/s41467-026-70728-1

Mots-clés: mémristor fluidique, électronique à hydrogel, informatique neuromorphique, calcul à base d’ions, réservoir computing