Memristeur à pont synaptique à base de MoTe2 pour le calcul inspiré du cerveau : évaluation des performances neuromorphiques avec les cadres MLP-CNN

Pourquoi de minuscules « synapses » électroniques sont importantes

Nos téléphones et ordinateurs deviennent plus intelligents, mais ils gaspillent encore beaucoup d’énergie en transférant des données entre la mémoire et les processeurs. Le cerveau humain, en revanche, stocke et traite l’information au même endroit, grâce à d’immenses réseaux de synapses efficaces sur le plan énergétique. Cet article explore un nouveau type de composant électronique miniature, composé d’un cristal feuilleté appelé MoTe2 dispersé dans un polymère courant, qui se comporte un peu comme une synapse biologique et pourrait aider à construire du matériel inspiré du cerveau pour l’intelligence artificielle future.

Construire un nouveau type d’interrupteur

Au cœur de ce travail se trouve un dispositif appelé memristeur, un composant à deux bornes dont la résistance électrique peut être modifiée et conservée même hors tension. Les chercheurs ont fabriqué un memristeur en intercalant un film mince de flocons de MoTe2 mélangés à du polyvinylalcool (PVA) entre une électrode inférieure en oxyde d’indium-étain (ITO) et une électrode supérieure en argent. Le MoTe2 provient de cristaux monocristallins de haute qualité cultivés avec soin, puis exfoliés en flocons multicouches qui se dispersent dans le PVA, formant un réseau connecté mais contrôlé pour le courant. Des mesures de microscopie et de spectroscopie confirment que le MoTe2 conserve une structure cristalline stable avec des liaisons chimiques propres, tandis que le film composite a une épaisseur d’environ 100 nanomètres et est uniforme sur la surface du dispositif.

Comment le dispositif mémorise

Lorsqu’une tension est appliquée, des atomes d’argent provenant de l’électrode supérieure peuvent migrer dans la couche MoTe2‑PVA sous forme d’ions et s’assembler en un filament métallique étroit qui relie les deux électrodes. Ce filament crée un chemin à faible résistance, représentant un état ON. L’inversion de la polarité dissout ou amincit le filament, ramenant le dispositif à un état OFF à haute résistance. Les auteurs montrent que le choix du bon rapport MoTe2:PVA (3:1) est crucial : trop de polymère disperse les chemins conducteurs, tandis que trop de MoTe2 rend le dispositif difficile à contrôler. Avec le mélange optimisé, le dispositif présente un commutateur « bipolaire » stable — basculement entre ON et OFF avec des polarités de tension opposées — sur au moins 125 cycles, avec de faibles variations des tensions requises et une bonne rétention des données sur plusieurs milliers de secondes.

De la mémoire simple à l’apprentissage de type cérébral

Parce que sa conductance peut être ajustée progressivement par des impulsions électriques, le memristeur à base de MoTe2 peut imiter la manière dont les synapses biologiques se renforcent ou s’affaiblissent avec l’activité. En appliquant des trains d’impulsions courtes, l’équipe a démontré des analogues électroniques de comportements synaptiques clés : potentialisation et dépression à long terme (augmentations ou diminutions durables de la force de connexion), règles d’apprentissage dépendant du timing où l’ordre de deux impulsions compte, et dépendance au nombre et à la fréquence des impulsions. Le dispositif montre aussi une facilitation à court terme, où une seconde impulsion reçue peu après la première produit une réponse plus forte, à la manière d’un neurone encore « préparé ». Ensemble, ces comportements suggèrent que le dispositif peut soutenir des dynamiques d’apprentissage riches directement en matériel, sans transfert constant de données vers une mémoire séparée.

Apprendre à « associer » et à lire des motifs

Pour illustrer des fonctions plus complexes, les chercheurs ont recréé en électronique la célèbre expérience de conditionnement de Pavlov. Ils ont utilisé une impulsion faible « neutre » et une impulsion plus forte « significative » comme substituts de la cloche et de la nourriture. Initialement, seule l’impulsion forte provoquait une grande réponse en courant, mais après l’application répétée des deux impulsions ensemble, la faible impulsion seule déclenchait une réponse renforcée, montrant un apprentissage associatif. Le même dispositif pouvait distinguer des impulsions courtes et longues par des niveaux de courant différents, lui permettant de reconnaître des séquences de code Morse comme des motifs temporels. En convertissant les caractéristiques mesurées du dispositif en modèles logiciels, l’équipe a ensuite testé les performances de ces synapses de type memristor dans des réseaux de neurones artificiels. En utilisant à la fois un perceptron multicouche et un réseau de neurones convolutionnel, ils ont obtenu une classification précise d’images du jeu de données largement utilisé CIFAR‑10, indiquant que le comportement observé du dispositif convient à l’informatique neuromorphique pratique.

Ce que cela signifie pour le matériel d’IA futur

En termes simples, cette étude montre qu’une pile simple traitée en solution de flocons de MoTe2 dans un liant polymère peut agir comme une synapse électronique stable et réglable. Elle commute de manière fiable entre états ON et OFF via un filament d’argent réversible, conserve sa mémoire pendant de longues durées et prend en charge une variété de règles d’apprentissage inspirées du cerveau, depuis le renforcement et l’affaiblissement basiques des connexions jusqu’à l’apprentissage associatif et la reconnaissance de motifs dans le temps. Lorsque ces comportements sont traduits en modèles de réseaux neuronaux, ils peuvent soutenir des systèmes de reconnaissance d’images efficaces. Bien que des défis pratiques subsistent — comme empêcher la croissance indésirable de filaments et protéger le polymère — ce travail ouvre la voie à des puces peu coûteuses et économes en énergie où mémoire et calcul sont étroitement liés, rapprochant l’électronique courante du mode de traitement de l’information du cerveau.

Citation: Bhunia, R., Jana, R., Saraswati, A. et al. MoTe₂-based synaptic-bridge memristor for brain-inspired computing: neuromorphic performance evaluation using MLP-CNN frameworks. npj 2D Mater Appl 10, 45 (2026). https://doi.org/10.1038/s41699-026-00682-5

Mots-clés: informatique neuromorphique, memristeur, MoTe2, synapse artificielle, calcul en mémoire