Memoria fotosensibile a gate flottante diviso e riconfigurabile per il calcolo neuromorfico e l’attivazione non lineare

Hardware più intelligente al margine

Smartphone, fotocamere e piccoli dispositivi connessi a Internet sono ormai attesi per vedere, riconoscere e reagire in tempo reale — ma oggi di solito lo fanno trasferendo ripetutamente dati grezzi tra sensori, memorie e processori separati. Quel traffico costa energia e rallenta i tempi. Questo articolo introduce un nuovo tipo di mattone elettronico minuscolo che può rilevare la luce, ricordare informazioni ed eseguire passaggi chiave dell’intelligenza artificiale all’interno di un singolo dispositivo, promettendo hardware più veloce ed efficiente per la tecnologia di tutti i giorni.

Come il cervello ispira nuovi chip

I nostri occhi e il cervello gestiscono la visione in modo molto diverso da una fotocamera digitale. Nel sistema visivo umano la retina non si limita a catturare immagini; filtra, comprime e mette subito in evidenza le caratteristiche importanti prima di inviare segnali compatti lungo il nervo ottico alla corteccia visiva. Per contro, la maggior parte delle macchine prima acquisisce immagini complete, le memorizza e poi le elabora altrove, sprecando tempo ed energia. I ricercatori mirano a imitare questa strategia biologica in hardware: costruire dispositivi che possano sia rilevare sia elaborare informazioni localmente, e che possano anche applicare i passaggi di “attivazione” non lineare su cui le reti neurali moderne fanno affidamento per prendere decisioni complesse.

Un dispositivo, tre compiti

Il gruppo ha sviluppato ciò che chiamano un dispositivo di memoria split‑floating‑gate multimodale. In termini più semplici, è una pila di materiali ultra‑sottili che si comporta come un transistor molto flessibile con due regioni controllabili in modo indipendente. Iniettando e intrappolando piccoli pacchetti di carica elettrica in queste regioni, il dispositivo può essere riprogrammato su richiesta. In una configurazione agisce come sensore di luce autopotenziato la cui sensibilità può essere finemente regolata e persino resa positiva o negativa. In un’altra, funge da elemento di memoria la cui conduttanza elettrica può essere impostata su uno dei molti livelli stabili, ideale per immagazzinare le forze — o “pesi” — delle connessioni in una rete neurale.

Portare la “scintilla” neurale sul chip

Le reti neurali non si limitano ad addizionare e moltiplicare numeri; dopo ogni livello sottopongono il risultato a un’operazione di attivazione non lineare, spesso funzioni note come ReLU o Sigmoidale. Questi passaggi sono di solito gestiti da circuiti separati e dispendiosi in termini di energia. Qui, lo stesso dispositivo che rileva e memorizza informazioni può anche eseguire queste attivazioni. Quando programmato in uno stato particolare, consente il flusso di corrente solo oltre un certo livello di ingresso, imitando una ReLU. Quando riprogrammato, la sua curva corrente‑tensione diventa morbida e a forma di S, come una Sigmoidale. In modo cruciale, il passaggio tra queste modalità avviene elettricamente e rapidamente, senza modificare la struttura fisica del chip.

Un piccolo cervello hardware per compiti visivi

Per dimostrare cosa rende possibile, gli autori hanno collegato molti di questi dispositivi in piccole matrici e li hanno usati come un sistema visivo completo basato su hardware. Nella cosiddetta modalità sensore, una matrice di dispositivi convertiva direttamente pattern di luce in segnali pesati, eseguendo il primo livello di una rete neurale all’interno del sensore d’immagine stesso. In modalità memoria, matrici simili eseguivano calcoli di tipo matriciale tipici degli strati più profondi della rete. Dispositivi separati in modalità attivazione applicavano poi operazioni ReLU e Sigmoidale. Con questa configurazione, il sistema poteva classificare cifre scritte a mano dal database standard MNIST con un’accuratezza vicina a quella di un modello solo software, e poteva anche ripulire immagini rumorose usando un autoencoder, il tutto mantenendo i pesi appresi memorizzati localmente in forma non volatile.

Perché questo conta per la tecnologia di tutti i giorni

Per i non specialisti, la conclusione principale è che i ricercatori hanno fuso rilevamento, memoria e il passaggio decisionale non lineare dell’intelligenza artificiale in un unico dispositivo riconfigurabile. Poiché può essere programmato con impulsi energetici minimi, operare su scale temporali di nanosecondi e ricordare le impostazioni senza alimentazione, questo tipo di hardware potrebbe rendere le future fotocamere, dispositivi indossabili e altri apparecchi edge molto più efficienti. Invece di inviare masse di dati grezzi a un processore distante o al cloud, questi sistemi potrebbero estrarre significato dove i dati nascono — proprio come fanno i nostri occhi e il cervello — aprendo la strada a macchine compatte e a basso consumo che vedono e comprendono il mondo in tempo reale.

Citazione: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

Parole chiave: hardware neuromorfico, calcolo in-sensor, calcolo in-memory, attivazione non lineare, edge AI