Jonctions tunnel magnétiques à biais d'échange à l’échelle nanométrique permettant une synapse mémristive et un neurone leaky-integrate-fire pour le calcul neuromorphique

Pourquoi de minuscules dispositifs magnétiques peuvent transformer l’informatique

Les appareils intelligents d’aujourd’hui reposent sur des puces gourmandes en énergie qui déplacent constamment des données entre la mémoire et les processeurs. Cet article explore une voie différente, inspirée du cerveau, où la mémoire et le calcul coexistent dans les mêmes éléments minuscules. Les auteurs montrent comment des dispositifs magnétiques nanométriques peuvent se comporter à la fois comme des cellules cérébrales et leurs connexions, ouvrant la voie à du matériel rapide et efficace pour des tâches telles que la reconnaissance de gestes.

Des signaux cérébraux aux circuits à impulsions

Les cerveaux biologiques traitent l’information à l’aide d’impulsions, de brèves décharges électriques transmises entre neurones via des synapses dont la force est continuellement ajustée. Les versions artificielles de ces idées, appelées réseaux de neurones à impulsions, pourraient en principe fonctionner avec beaucoup moins d’énergie que les puces actuelles. Mais la plupart des systèmes actuels utilisent encore l’électronique conventionnelle, qui sépare mémoire et logique et nécessite de nombreux transistors pour imiter même un seul neurone ou une seule synapse. Ce décalage gaspille de l’espace et de l’énergie et compromet la promesse du calcul inspiré du cerveau.

Utiliser le magnétisme pour stocker et traiter ensemble

L’équipe se tourne vers une classe de technologie mémoire connue sous le nom de jonctions tunnel magnétiques, où la résistance électrique dépend de l’orientation relative de fines couches magnétiques. En fabriquant ces jonctions avec un matériau magnétique supplémentaire qui « biaise » la couche libre, ils créent des JTMs à biais d’échange qui peuvent être commutées par de courtes impulsions de courant. Une ingénierie astucieuse de la forme du dispositif et de l’empilement magnétique permet à une version de la jonction de se comporter comme une synapse avec de nombreux niveaux de résistance stables, tandis qu’une version plus petite agit comme un neurone qui bascule abruptement entre deux états. Les deux partagent la même structure en couches, ce qui simplifie l’intégration sur puce.

De minuscules synapses qui mémorisent le timing

Dans les dispositifs de type synapse, de courtes impulsions de courant reconfigurent progressivement des domaines magnétiques microscopiques au lieu de basculer l’ensemble de l’aimant d’un coup. Cela produit plus de 25 niveaux distincts de résistance dans un dispositif d’environ cent nanomètres de diamètre, et ces niveaux restent stables pendant des années et résistent à de forts champs magnétiques. En envoyant des paires d’impulsions jouant le rôle des pointes pré- et post-synaptiques avec des délais variables, les auteurs reproduisent une règle d’apprentissage clé observée en biologie : lorsque les impulsions arrivent rapprochées, la connexion se renforce ou s’affaiblit davantage que lorsque les délais sont longs. Cet apprentissage dépendant du timing des impulsions, connu sous le nom de plasticité dépendante du timing des spikes, émerge naturellement de la réorganisation des grains magnétiques provoquée par la chaleur et le courant.

De minuscules neurones qui intègrent puis déclenchent

Les dispositifs de type neurone répondent différemment. Les impulsions de courant individuelles sont choisies trop faibles pour commuter le dispositif seules, mais une série rapide d’entre elles chauffe la jonction et abaisse sa barrière énergétique interne jusqu’à ce qu’elle bascule soudainement d’état, imitant un neurone qui intègre des entrées puis déclenche. Quand les impulsions s’arrêtent, le dispositif refroidit et son seuil effectif se rétablit, offrant une fuite (« leak ») naturelle de l’entrée accumulée. Les expériences montrent que ces neurones artificiels peuvent commuter de façon fiable avec des impulsions aussi courtes que quatre dixièmes de nanoseconde tout en consommant seulement quelques centaines de femtojoules par événement de décharge, bien moins que les circuits neuronaux à base de transistors et assez rapides pour un fonctionnement gigahertz.

Tester un reconnaisseur de gestes magnétique complet

Pour évaluer ce que de tels dispositifs peuvent accomplir au niveau système, les chercheurs simulent un réseau à impulsions multicouche entièrement constitué de ces synapses et neurones magnétiques. En utilisant des données de gestes du monde réel enregistrées sous forme de flux d’événements visuels, le réseau combine un entraînement conventionnel dans les couches initiales avec un apprentissage basé sur le timing dans la couche de sortie. Avec le comportement des dispositifs et leurs imperfections issus d’expériences, le modèle classe encore les gestes de la main avec environ quatre-vingt-seize pour cent de précision. Parce que les impulsions sont rares et que les neurones ne déclenchent que lorsque nécessaire, seule une petite fraction des éléments est active à un instant donné, et le schéma d’entraînement mixte réduit le nombre de mises à jour synaptiques par rapport aux méthodes standard.

Ce que cela signifie pour le matériel intelligent futur

Pour un non-spécialiste, le message clé est que le même petit élément magnétique peut désormais agir à la fois comme une connexion programmable et comme une unité à impulsions, à l’instar des synapses et des neurones du cerveau. Ces jonctions tunnel magnétiques à biais d’échange commutent rapidement, conservent de nombreux niveaux et peuvent être fortement empaquetées, faisant d’elles de sérieux candidats pour des puces compactes et peu énergivores qui traitent l’information de manière cérébrale directement en mémoire plutôt que de déplacer les données en permanence.

Citation: Chen, Z., Zhu, D., Du, A. et al. Nanoscale exchange-bias magnetic tunnel junctions enabled memristive synapse and leaky-integrate-fire neuron for neuromorphic computing. Nat Commun 17, 4362 (2026). https://doi.org/10.1038/s41467-026-70802-8

Mots-clés: informatique neuromorphique, réseaux de neurones à impulsions, jonctions tunnel magnétiques, spintronique, reconnaissance de gestes