Clear Sky Science · it

Reti di dispositivi nichelati protonici per il calcolo neuromorfico spaziotemporale

2026-03-09 · Torna all'indice

Perché contano i dispositivi minuscoli che pensano come il cervello

L’intelligenza artificiale odierna funziona su enormi centri dati che divorano energia. Il nostro cervello, al contrario, svolge calcoli molto più ricchi consumando l’equivalente energetico di una lampadina fioca. Questo articolo descrive un passo verso hardware simile al cervello: un nuovo tipo di rete di piccoli dispositivi realizzata con un materiale ossidico speciale che elabora informazioni nello spazio e nel tempo, conserva memoria di eventi recenti e riconosce pattern come cifre pronunciate e segnali precoci di crisi epilettiche—tutto con un budget energetico molto inferiore a quello dei chip convenzionali.

Un materiale che può ricordare e rispondere

I ricercatori costruiscono il loro sistema a partire da un nichelato perovskite, NdNiO₃, un ossido cristallino le cui proprietà elettriche possono essere modificate in modo drammatico inserendo idrogeno. Quando atomi di idrogeno entrano nel materiale vicino a un contatto metallico, donano elettroni e trasformano quella regione da buon conduttore a uno stato molto più resistivo. Posizionando elettrodi di palladio (Pd) e oro (Au) su un sottile film di nichelato e ricottandolo in idrogeno, il team crea “nubi” di idrogeno sotto contatti selezionati. Muovere queste nubi con brevi impulsi di tensione cambia la facilità con cui scorre la corrente, permettendo allo stesso film di comportarsi talvolta come un elemento a risposta rapida e decadente e talaltra come una cella di memoria stabile.

Due strati su un singolo chip: dinamiche rapide e memoria stabile

La piattaforma hardware è organizzata come un semplice cervello artificiale costruito interamente da questo film di nichelato

. Nel livello inferiore, coppie di elettrodi Pd formano giunzioni Pd–Pd simmetriche. Ogni giunzione contiene due nubi di idrogeno frontali le cui forme si spostano in modo opposto quando viene applicato un impulso. Poiché il substrato sottostante si comporta come un condensatore, impulsi ripetuti su scala di nanosecondi modificano gradualmente il paesaggio di tensione locale e la distribuzione dell’idrogeno, producendo correnti transitorie che si accumulano e poi decadono su microsecondi. Questo conferisce a ogni nodo una “memoria a breve termine” dell’attività recente. Nel livello superiore, giunzioni asimmetriche Pd–Au ospitano una sola nube di idrogeno. Qui, gli impulsi di tensione spingono la nube a muoversi e a rimanere nella nuova posizione, fissando uno dei molti livelli di resistenza stabili che fungono da pesi programmabili a lungo termine per il calcolo.

Quando i vicini contano: comportamento emergente di rete

Un progresso chiave è che lo strato di elaborazione non agisce come elementi isolati. Quando un impulso colpisce un nodo Pd–Pd, la ridistribuzione di idrogeno e di tensione nel film di nichelato modifica sottilmente i campi sperimentati dai nodi vicini. Esperimenti su piccole matrici mostrano che la corrente in un dispositivo “di riferimento” aumenta quando anche i nodi vicini ricevono impulsi, e questo effetto dipende più da come si confrontano le loro nubi di idrogeno che dalla semplice distanza fisica. Simulazioni confermano che queste interazioni mediate dal substrato rimodellano il paesaggio potenziale complessivo. Il risultato è un comportamento a livello di rete: il modello di attività attraverso molti nodi porta informazioni più ricche di qualunque singolo dispositivo, richiamando il modo in cui gruppi di neuroni cooperano nel cervello.

Da pattern semplici a parlato e onde cerebrali

Per dimostrare capacità di calcolo pratiche, gli autori collegano prima le matrici di nichelato in un esperimento compatto di riconoscimento di pattern. Semplici forme in bianco e nero 5×5 vengono convertite in treni di impulsi di tensione che alimentano il livello Pd–Pd. Le correnti in evoluzione in pad selezionati sono poi tradotte in tensioni che pilotano lo strato di uscita Pd–Au, le cui resistenze sono addestrate a distinguere i pattern. L’hardware classifica correttamente gli input, dimostrando che l’elaborazione spaziotemporale più una lettura lineare possono realizzare una pipeline completa di riconoscimento sullo stesso materiale. Il team quindi modella reti molto più grandi basate sul comportamento misurato dei dispositivi. Per il riconoscimento di cifre parlate, le forme d’onda sonore vengono preprocessate in treni di spike su molti canali di frequenza prima di entrare nello strato di elaborazione in nichelato

. L’inclusione sia dell’accoppiamento spaziale sia del decadimento temporale migliora la precisione fino a circa il 95%, meglio che usare solo dispositivi dipendenti dal tempo o saltare del tutto lo strato di elaborazione. Un approccio simile applicato a registrazioni elettroencefalografiche cliniche aumenta la rilevazione precoce delle crisi, ottenendo una precisione nettamente più alta entro pochi secondi dall’attività cerebrale anomala.

Cosa significa per l’hardware intelligente del futuro

In termini pratici, questo lavoro dimostra che un singolo materiale progettato con cura può sia “sentire” flussi rapidi di input sia “ricordare” ciò che conta per decisioni successive, proprio come una porzione semplificata di tessuto cerebrale. Poiché i dispositivi in nichelato operano con impulsi di nanosecondi e quantità di energia minime, offrono una via promettente verso chip compatti e a basso consumo che analizzano suoni, parlato o segnali medici in tempo reale senza inviare dati a server remoti. Gli stessi principi—il moto dei protoni che modella percorsi elettrici e i dispositivi che influenzano l’un l’altro attraverso un substrato condiviso—potrebbero essere estesi o combinati con altri materiali avanzati, indicando la direzione verso hardware che incorpora nativamente i calcoli spaziali e temporali intrecciati che i nostri cervelli eseguono con tale facilità.

Citazione: Zhou, Y., Shah, S., Dey, T. et al. Protonic nickelate device networks for spatiotemporal neuromorphic computing. Nat. Nanotechnol. 21, 579–587 (2026). https://doi.org/10.1038/s41565-026-02133-0

Parole chiave: hardware neuromorfico, nichelato protonico, calcolo spaziotemporale, reservoir computing, IA a basso consumo