ממיסטור מבוסס MoTe2 כגשר סינפטי לחישוב בהשראת המוח: הערכת ביצועים נוירומורפית באמצעות מסגרות MLP‑CNN

למה «סינפסות» אלקטרוניות זעירות חשובות

הטלפונים והמחשבים שלנו הופכים לחכמים יותר, אך הם עדיין מבזבזים הרבה אנרגיה בהעברת נתונים הלוך ושוב בין זיכרון ומהמעבדים. המוח האנושי, בניגוד לכך, מאחסן ומעבד מידע במקום אחד בעזרת רשתות עצומות של סינפסות חסכוניות באנרגיה. מאמר זה חוקר מרכיב אלקטרוני זעיר חדש מסוגו, המורכב מקריסטל רב‑שכבתי בשם MoTe2 המפוזר בתוך פולימר נפוץ, שמתנהג בדומה לסינפסה ביולוגית ועלול לעזור בבניית חומרה בהשראת המוח עבור בינה מלאכותית עתידית.

בניית סוג חדש של מתג

בלבו של המחקר נמצא מכשיר הנקרא ממיסטור, רכיב בעל שני טרמינלים שעוצמת ההתנגדות שלו ניתנת לשינוי ולזיכרון גם כאשר החשמל כבוי. החוקרים יצרו ממיסטור על‑ידי סנדוויץ' של סרט דק של פתיתי MoTe2 מעורבבים עם פוליוויניל אלכוהול (PVA) בין אלקטרודת ITO תחתונה לאלקטרודת כסף עליונה. ה‑MoTe2 התקבל מתרביות גבישים חד‑איכותיות שפוצלו לשכבות מרובות המפוזרות בתוך ה‑PVA ויוצרות רשת מחוברת אך מבוקרת לזרם. מדידות מיקרוסקופיה וספקטרוסקופיה מאשרות כי ה‑MoTe2 שומר על מבנה גבישי יציב וקשרים כימיים נקיים, בעוד שסרט המרכיב דק בערך 100 ננומטר ואחיד על פני שטח המכשיר.

כיצד המכשיר זוכר

כאשר מוחלים מתח, אטומי כסף מהאלקטרודה העליונה יכולים לנוע לשכבת ה‑MoTe2‑PVA כיונים ולהתרכב לחוט מתכתי צר שמגשר בין שתי האלקטרודות. החוט הזה יוצר נתיב התנגדות נמוכה, המייצג מצב ON. הפיכת הקוטביות מפזרת או מייצרת דקיקה של החוט, מה שמחזיר את המכשיר למצב התנגדות גבוהה OFF. המחברים מראים כי בחירת יחס ערבוב נכון של MoTe2:PVA (3:1) קריטית: יותר מדי פולימר מפורר את הנתיבים המוליכים, בעוד יותר מדי MoTe2 מקשה על שליטת המכשיר. בתערובת המטובה המכשיר מציג החלפה "ביפולרית" יציבה — החלפה בין ON ל‑OFF במתחים הפוכים — במשך לפחות 125 מחזורים, עם שונות קטנה במתחים הנדרשים ושמירת נתונים טובה על פני אלפי שניות.

מזיכרון פשוט ללמידה בדומה למוח

מכיוון שהמוליכות שלו ניתנת לכיול בהדרגה על ידי דפיקות חשמליות, הממיסטור מבוסס ה‑MoTe2 יכול לחקות כיצד סינפסות ביולוגיות מתחזקות או חלשות עם פעילות. בהפעלת רצפים של דפיקות מתח קצרות הצוות הדגים מקבילים אלקטרוניים להתנהגויות סינפטיות מרכזיות: חיזוק ודיכוי ארוכי‑טווח (עליות או ירידות ממושכות בחוזק הקשר), חוקים של למידה התלויים בזמן שבהם סדר שתי הדפיקות משנה את התוצאה, ותלות במספר ובקצב הדפיקות. המכשיר גם מציג הקלה קצרת‑טווח, שבה דפיקה שנייה המגיעה זמן קצר אחרי הראשונה יוצרת תגובה חזקה יותר — בדומה לעצב שנותר "מוכנן". יחד, התנהגויות אלו מצביעות על כך שהמכשיר יכול לתמוך בדינמיקות למידה עשירות ישירות בחומרה, ללא תזוזת נתונים מתמדת לזיכרון נפרד.

ללמד מכשיר "לקשר" ולקרוא דפוסים

להמחשת פונקציות מורכבות יותר, החוקרים שיחזרו אלקטרונית את ניסוי ההשתלבות המפורסם של פבלוב. הם השתמשו בדפיקה חלשה "נעדרת משמעות" ובדפיקה חזקה יותר "בעלת משמעות" כתחליפים לפעמון ואוכל. בתחילה רק הדפיקה החזקה ייצרה תגובת זרם גדולה, אך לאחר החזרה של שתי הדפיקות יחד, הדפיקה החלשה לבדה עוררה תגובה חזקה יותר, והדגימה למידה אסוציאטיבית. אותו מכשיר הבדל בין דפיקות קצרות וארוכות כגדלי זרם שונים, מה שאיפשר לו לזהות רצפי מורס כבתבניות בזמן. על‑ידי המרה של מאפייני המכשיר הנמדדים למודלים תוכנתיים, הצוות בדק אחר כך כמה טוב סינפסות הדומות לממיסטור אלו יבצעו ברשתות עצביות מלאכותיות. באמצעות גם רשת פרספעלטרון רב‑שכבתית (MLP) וגם רשת עצבית קונבולוציונית (CNN), הם השיגו סיווג מדויק של תמונות ממאגר CIFAR‑10 הנפוץ, דבר המעיד כי ההתנהגות הנצפית של המכשיר מתאימה לחישוב נוירומורפי מעשי.

מה המשמעות לכך עבור חומרת בינה מלאכותית עתידית

במילים פשוטות, מחקר זה מראה כי טורפת פשוטה בתהליך תמיסה של פתיתי MoTe2 בתוך דבק פולימרי יכולה לפעול כסינפסה אלקטרונית יציבה וכיולית. היא מתרסקת בין מצבי ON ו‑OFF דרך חוט כסף הפיך, מחזיקה בזיכרון לאורך זמן ותומכת במגוון חוקים של למידה בדומה למוח — מחיזוק וחולשה בסיסיים של קישורים ועד למידה אסוציאטיבית וזיהוי תבניות בזמן. כאשר התנהגויות אלו מתורגמות למודלים של רשתות עצביות, הן יכולות לשמש בסיס למערכות זיהוי תמונה יעילות. למרות שעדיין קיימים אתגרים מעשיים — כמו מניעת גידול חוטים לא רצויים והגנה על הפולימר — העבודה מצביעה על שבילים לשבבים זולים ויעילים אנרגטית שבהם זיכרון וחישוב משולבים בצפיפות, מקרבים את האלקטרוניקה היומיומית לאופן שבו המוח מעבד מידע.

ציטוט: 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

מילות מפתח: חישוב נוירומורפי, ממיסטור, MoTe2, סינפסה מלאכותית, חישוב בזיכרון