Giacimenti di giunzioni tunnel magnetiche con scambio di bias su scala nanometrica abilitano una sinapsi memristiva e un neurone leaky-integrate-fire per il calcolo neuromorfico

Perché i minuscoli dispositivi magnetici possono cambiare il calcolo

I dispositivi intelligenti odierni si basano su chip energivori che spostano costantemente dati tra memoria e processori. Questo articolo esplora una strada diversa ispirata al cervello, dove memoria e calcolo avvengono negli stessi elementi minuti. I ricercatori mostrano come dispositivi magnetici su scala nanometrica possano comportarsi sia come cellule cerebrali sia come i loro collegamenti, aprendo la strada a hardware veloce ed efficiente per compiti come il riconoscimento dei gesti.

Dai segnali cerebrali ai circuiti a spiking

I cervelli biologici elaborano informazioni usando spike, brevi impulsi elettrici trasmessi tra neuroni attraverso sinapsi la cui forza viene continuamente regolata. Versioni artificiali di queste idee, chiamate reti neurali a spiking, potrebbero in principio funzionare con molta meno energia rispetto ai chip odierni. Ma la maggior parte dei sistemi attuali utilizza ancora l’elettronica convenzionale, che separa memoria e logica e richiede molti transistor per emulare anche un singolo neurone o sinapsi. Questo disallineamento spreca spazio e potenza e compromette la promessa del calcolo ispirato al cervello.

Usare il magnetismo per memorizzare ed elaborare insieme

Il gruppo si rivolge a una classe di tecnologia di memoria nota come giunzioni tunnel magnetiche, dove la resistenza elettrica dipende dall’orientamento relativo di sottili strati magnetici. Costruendo queste giunzioni con un materiale magnetico aggiuntivo che «mette in bias» lo strato libero, creano MTJ con scambio di bias che possono essere commutate da brevi impulsi di corrente. Un’ingegneria accorta della forma del dispositivo e della pila magnetica permette a una versione della giunzione di comportarsi come una sinapsi con molti livelli di resistenza stabili, mentre una versione più piccola agisce come un neurone che commuta bruscamente tra due stati. Entrambe condividono la stessa struttura stratificata, semplificando l’integrazione su chip.

Sinapsi minuscole che ricordano il tempo

Nei dispositivi simili a sinapsi, brevi impulsi di corrente riconfigurano gradualmente domini magnetici microscopici invece di capovolgere l’intero magnete in una volta. Questo produce più di 25 livelli di resistenza distinti in un dispositivo di circa cento nanometri di diametro, e questi livelli rimangono stabili per anni e resistono a campi magnetici intensi. Inviando coppie di impulsi che svolgono il ruolo degli spike pre- e post-neuronali con ritardi temporali variabili, gli autori riproducono una regola di apprendimento chiave osservata in biologia: quando gli spike arrivano ravvicinati, la connessione si rinforza o si indebolisce più che quando sono lontani. Questo apprendimento basato sul tempo, noto come plasticità dipendente dal timing degli spike, emerge naturalmente dal riorientamento dei grani magnetici guidato da calore e corrente.

Neuroni minuscoli che integrano e sparano

I dispositivi di tipo neuronale rispondono in modo diverso. Impulsi di corrente individuali sono scelti troppo deboli per commutare da soli il dispositivo, ma una rapida serie di essi riscalda la giunzione e abbassa la barriera energetica interna finché questa non cambia improvvisamente stato, imitandone uno neurone che integra gli input e poi spara. Quando gli impulsi cessano, il dispositivo si raffredda e la sua soglia efficace si ripristina, fornendo una «perdita» naturale dell’input accumulato. Gli esperimenti mostrano che questi neuroni artificiali possono commutare in modo affidabile con impulsi lunghi appena quattro decimi di nanosecondo consumando solo alcune centinaia di femtojoule per evento di sparo, molto meno rispetto ai circuiti neuronali a base di transistor e abbastanza veloci per operare a frequenze gigahertz.

Testare un riconoscitore di gesti magnetico completo

Per valutare cosa potrebbero fare tali dispositivi in un sistema, i ricercatori simulano una rete a strati multipli a spiking costruita interamente con queste sinapsi e neuroni magnetici. Usando dati reali di gesti registrati come flussi di eventi visivi, la rete combina l’addestramento convenzionale negli strati iniziali con l’apprendimento basato sul timing nello strato di uscita. Con il comportamento dei dispositivi e le imperfezioni ricavate dagli esperimenti, il modello classifica comunque i gesti della mano con circa il novantasei percento di accuratezza. Poiché gli spike sono sparsi e i neuroni sparano solo quando necessario, solo una piccola frazione degli elementi è attiva in ogni momento, e lo schema di addestramento misto riduce il numero di aggiornamenti sinaptici rispetto ai metodi standard.

Cosa significa per l’hardware intelligente del futuro

Per un non specialista, il messaggio chiave è che lo stesso minuscolo mattoncino magnetico può ora funzionare sia come collegamento programmabile sia come unità a spiking, proprio come sinapsi e neuroni nel cervello. Queste giunzioni tunnel magnetiche con scambio di bias commutano rapidamente, ricordano molti livelli e possono essere molto densamente impilate, rendendole ottime candidate per chip compatti a bassa energia che elaborano informazioni in modo cerebrale direttamente nella memoria invece di spostare continuamente i dati.

Citazione: 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

Parole chiave: calcolo neuromorfico, reti neurali a spiking, giunzioni tunnel magnetiche, spintronica, riconoscimento di gesti