Dispositivi elettronici polimorfici basati su interfacce ossidiche per il calcolo neuromorfico

Perché questo piccolo dispositivo conta per l’IA del futuro

Man mano che telefoni, automobili e centri dati diventano più intelligenti, consumano anche enormi quantità di energia. Gran parte di questo costo non deriva tanto dall’elaborazione in sé, quanto dal continuo trasferimento di dati tra chip separati che memorizzano le informazioni e chip che le elaborano. Questo articolo descrive un nuovo tipo di dispositivo microscopico, realizzato con materiali ossidici, che può svolgere diversi ruoli elettronici simultaneamente e persino imitare aspetti di come le cellule cerebrali imparano. Questo hardware mutabile potrebbe contribuire a costruire sistemi di intelligenza artificiale futuri molto più compatti ed efficienti dal punto di vista energetico rispetto ai computer odierni.

Un unico piccolo mattone, molte personalità

I ricercatori lavorano con una interfaccia speciale tra due ossidi, alluminato di lantanio (LaAlO3) e titanato di stronzio (SrTiO3). Dove questi cristalli si toccano, gli elettroni formano un foglio estremamente sottile e mobile che si comporta come un nanofilo conduttivo. Modellando con cura questa interfaccia e aggiungendo due elettrodi laterali, il gruppo crea una singola struttura a scala nanometrica che può essere ricablata in tempo reale per funzionare come tre diversi elementi elettronici di base. Con un certo schema di cablaggio si comporta come un transistor convenzionale, in un altro diventa un memristore (un resistore con memoria), e in un terzo funziona come un memcapacitore (un condensatore con memoria). Tutte e tre le modalità operano a temperatura ambiente su un’area di circa un micrometro quadrato—più volte più piccole e semplici rispetto a impiegare tre dispositivi separati.

Come avviene il cambiamento di forma

In modalità transistor, le tensioni applicate ai gate laterali spingono gli elettroni dentro o fuori dal nanofilo LaAlO3/SrTiO3, aumentando o diminuendo la corrente del canale in modo simile a un transistor ad effetto di campo standard. Per passare al comportamento da memristore, i gate laterali vengono lasciati elettricamente flottanti invece di essere collegati a un potenziale fisso. Le cariche possono così lentamente tunnelare verso e da queste regioni flottanti, per cui la resistenza del canale dipende dalla storia recente delle tensioni applicate e mostra un tipico ciclo di isteresi. Per l’operazione da memcapacitore, la stessa struttura di gate viene usata per immagazzinare e rilasciare carica in modo controllato e dipendente dalla storia, portando a due distinti stati di capacitanza con una chiara isteresi nella risposta capacità–tensione. In tutti e tre i casi, la fisica chiave è l’intrappolamento e il rilascio controllato di carica vicino all’interfaccia, piuttosto che il movimento di atomi o difetti, il che rende il comportamento stabile e ripetibile.

Dagli elementi di base ai circuiti simili al cervello

Poiché lo stesso dispositivo fisico può agire da transistor, memristore o memcapacitore a seconda del cablaggio esterno, diventa un mattone versatile per i circuiti neuromorfici—ispirati al cervello. Gli autori collegano innanzitutto un transistor a un memcapacitore per costruire un semplice elemento di “reservoir computing”. Un breve impulso di ingresso controlla il transistor, che a sua volta carica il memcapacitore. La tensione di uscita poi decade lentamente, preservando una memoria gradualmente svanente degli ingressi recenti. Questa memoria non lineare a breve termine è esattamente ciò di cui il reservoir computing ha bisogno per compiti come il riconoscimento di pattern. Utilizzando immagini di cifre generate al computer, il gruppo mostra che una matrice di questi elementi può distinguere cifre diverse in base alle tracce di tensione dipendenti dal tempo che producono.

Apprendimento, logica e decisioni sulla stessa piattaforma

Lo stesso dispositivo ossidico può anche essere ricablato in circuiti che imitano sinapsi—le connessioni tra neuroni—e porte logiche, le unità di base del calcolo digitale. In una configurazione con un transistor e un memristore, brevi spike di tensione producono cambiamenti temporanei di corrente, mentre impulsi ripetuti o più intensi producono cambiamenti duraturi, richiamando il modo in cui le sinapsi biologiche si rafforzano con l’uso ripetuto. Con due transistor e un memristore, gli autori implementano operazioni logiche OR e AND in cui l’uscita logica viene memorizzata direttamente nella conduttanza del memristore molto tempo dopo la rimozione dei segnali di ingresso. Modificando come viene scandita la tensione di funzionamento, lo stesso circuito può essere riconfigurato tra comportamenti simili a OR e simili a AND, permettendo una sorta di logica sinaptica che può adattare le sue regole al volo. Come prova di principio, mappano segnali di frequenza cardiaca e pressione arteriosa sul circuito e lo usano per imitare un semplice albero decisionale di monitoraggio della salute che distingue tra individui sani e pazienti con malattie cardiache.

Cosa significa per la tecnologia di tutti i giorni

Per un non‑specialista, il messaggio chiave è che gli autori hanno condensato diversi tipi di comportamento elettronico—e persino funzioni di base di apprendimento e presa di decisioni—in un unico dispositivo ossidico stabile e compatibile con il silicio. Questo riduce l’area del circuito, diminuisce l’ingombro di cablaggio e può abbassare il consumo energetico, supportando al contempo l’elaborazione avanzata in stile IA come il riconoscimento di pattern e la logica adattiva. Se scalati, tali dispositivi ossidici polimorfici potrebbero costituire la base di chip futuri che fondono il calcolo convenzionale con metodi ispirati al cervello, aiutando centri dati, dispositivi edge e sensori a gestire flussi di informazioni sempre più ampi in modo molto più efficiente rispetto alle architetture odierne basate solo su transistor.

Citazione: Pradhan, S., Miller, K., Hartmann, F. et al. Oxide interface-based polymorphic electronic devices for neuromorphic computing. Nat Commun 17, 3406 (2026). https://doi.org/10.1038/s41467-026-71642-2

Parole chiave: calcolo neuromorfico, memristore, interfaccia ossidica, reservoir computing, elettronica polimorfica