Neuroni di feedback basati su memristore perovskite con catodo in grafene ridotto ingegnerizzato con atomi singoli di nichel

Chip ispirati al cervello per macchine più intelligenti

I computer moderni sono veloci ma sorprendentemente inefficienti in compiti che il nostro cervello svolge con facilità, come riconoscere un fiore o pianificare un percorso efficiente attraverso molte città. Questo articolo presenta un nuovo tipo di componente elettronico che si comporta più come un neurone reale del cervello, gestendo sia segnali di “vai” sia di “fermo” in un singolo dispositivo minuscolo. Modulando con precisione i materiali a livello di singoli atomi, i ricercatori creano neuroni artificiali capaci di apprendere schemi e risolvere problemi di ottimizzazione complessi usando molto meno hardware rispetto ai processori odierni.

Perché servono nuovi tipi di neuroni nell’hardware

I neuroni biologici gestiscono continuamente due tipi di segnali: quelli eccitatori che li spingono verso l’attivazione e quelli inibitori che li trattengono. L’equilibrio tra questi è cruciale per un pensiero, una percezione e una decisione stabili. Una classe speciale chiamata neuroni di feedback fonde segnali “in avanti” entranti con segnali inibitori “a ritroso”, abilitando comportamenti come la competizione tra neuroni e decisioni di tipo winner-take-all, in cui sopravvive solo la risposta più forte. Riprodurre questo comportamento duale e finemente bilanciato in elettronica è stato difficile. La maggior parte dei memristori esistenti, che conservano la loro storia elettrica, conduce la corrente principalmente in una direzione e si rilassa troppo rapidamente, rendendoli pessimi sostituti di neuroni che devono integrare segnali su scale temporali di millisecondi.

Costruire un dispositivo elettronico più intelligente

Il team affronta questi limiti utilizzando un memristore a base perovskite — un dispositivo la cui conduttanza può variare gradualmente — combinato con un catodo insolito fatto di grafene ridotto decorato con atomi isolati di nichel. Questo strato di atomi singoli di nichel non è un semplice contatto passivo. Innanzitutto regola il paesaggio energetico all’interfaccia in modo che gli elettroni possano fluire più simmetricamente in entrambe le direzioni, supportando comportamenti eccitatori e inibitori bilanciati. In secondo luogo aumenta la barriera energetica per gli ioni ioduro che si muovono verso l’elettrodo. Invece di muoversi liberamente, gli ioni diventano parzialmente confinati e si muovono più lentamente e in modo reversibile. Questo moto controllato estende la “memoria” del dispositivo sui segnali passati nell’intervallo temporale biologicamente rilevante dei millisecondi senza necessità di ingombranti condensatori esterni.

Come il design atomico plasma il comportamento

Utilizzando microscopia e spettroscopia avanzate, i ricercatori confermano che gli atomi di nichel sono ancorati singolarmente a siti ossigeno all’interno dello strato a base di grafene, invece di aggregarsi in particelle. Le simulazioni al computer mostrano che questo arrangiamento atomico sposta i livelli energetici elettronici del foglio di carbonio, rendendolo più metallico e meglio accoppiato alla perovskite sottostante. Allo stesso tempo, i calcoli rivelano una barriera di diffusione maggiore per gli ioni ioduro in presenza di nichel. Sperimentalmente, i dispositivi con questo catodo ingegnerizzato possono scorrere senza salti attraverso circa 1.000 livelli distinti di conduttanza e mostrano risposte quasi specularmente simmetriche per sweep di tensione positivi e negativi. La loro corrente decade in circa 780 millisecondi dopo la stimolazione — una scala temporale vicina a quella delle vere cellule nervose — permettendo al dispositivo di imitare fedelmente la dinamica leaky integrate-and-fire.

Dal singolo dispositivo alla rete che apprende

Pilotando questi memristori con impulsi di tensione tarati, il team dimostra che un singolo dispositivo può comportarsi da neurone di feedback: somma impulsi in ingresso, spara quando la sua corrente supera una soglia e poi perde lentamente carica tornando verso lo stato di riposo. Impulsi negativi sopprimono la sua conduttanza, fornendo una forma elettronica di inibizione. Reti di questi neuroni sono disposte in array a crossbar e collegate a elettronica di controllo semplice basata su FPGA. In una dimostrazione, il sistema esegue apprendimento competitivo non supervisionato su dati floreali, raggruppando tre tipi di fiori in base alle loro caratteristiche misurate, con ogni neurone specializzato in un tipo specifico. In un altro test, uno schema di apprendimento cooperativo basato su una mappa auto-organizzante usa lo stesso tipo di neuroni per risolvere il problema del commesso viaggiatore, una sfida classica della logistica, convergendo su percorsi efficienti fino a sei volte più rapidamente rispetto a un algoritmo di simulated annealing standard.

Cosa significa per il calcolo futuro

In termini pratici, questo lavoro dimostra che possiamo sempre più costruire componenti elettronici che si comportano come piccole cellule cerebrali regolabili piuttosto che semplici interruttori acceso–spento. Posizionando atomi singoli di nichel nei punti giusti all’interno di uno strato a base di grafene, gli autori ottengono un controllo preciso sia sugli elettroni sia sugli ioni, producendo un dispositivo che può eccitare, inibire e dimenticare lentamente in modo simile al cervello. Questi neuroni artificiali di feedback possono essere densamente impacchettati, richiedono poca circuiteria di supporto e già gestiscono compiti di apprendimento realistici e problemi di ottimizzazione. Man mano che tali dispositivi migliorano, potrebbero costituire la base di hardware compatto ed energeticamente efficiente che integra o perfino sostituisce parti dei processori digitali odierni, affamati di potenza, in applicazioni che vanno dal riconoscimento di pattern alla pianificazione intelligente.

Citazione: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

Parole chiave: calcolo neuromorfico, memristore, dispositivi perovskite, elettronica al grafene, apprendimento hardware