Memristore a ponte sinaptico basato su MoTe2 per il calcolo ispirato al cervello: valutazione delle prestazioni neuromorfiche con framework MLP-CNN

Perché le piccole “sinapsi” elettroniche sono importanti

I nostri telefoni e computer diventano più intelligenti, ma continuano a sprecare molta energia trasferendo dati avanti e indietro tra memoria e processori. Il cervello umano, al contrario, conserva ed elabora le informazioni nello stesso luogo, usando vaste reti di sinapsi a basso consumo. Questo articolo esplora un nuovo tipo di componente elettronico di piccole dimensioni, realizzato con un cristallo stratificato chiamato MoTe2 disperso in un polimero comune, che si comporta in modo simile a una sinapsi biologica e potrebbe contribuire a costruire hardware ispirato al cervello per l’intelligenza artificiale del futuro.

Costruire un nuovo tipo di interruttore

Al centro di questo lavoro c’è un dispositivo chiamato memristore, un componente a due terminali la cui resistenza elettrica può essere modificata e mantenuta anche a dispositivo spento. I ricercatori hanno creato un memristore impilando un film sottile di fiocchi di MoTe2 miscelati con poli​vinilalcool (PVA) tra un elettrodo inferiore in ossido di indio-stagno (ITO) e un elettrodo superiore in argento. Il MoTe2 proviene da cristalli singoli di elevata qualità cresciuti con cura, poi esfoliati in fiocchi multilayer che si disperdono nel PVA formando una rete connessa ma controllata per la corrente. Misure di microscopia e spettroscopia confermano che il MoTe2 mantiene una struttura cristallina stabile con legami chimici netti, mentre il film composito è spesso circa 100 nanometri e uniforme su tutta l’area del dispositivo.

Come il dispositivo conserva la memoria

Quando viene applicata una tensione, atomi di argento dall’elettrodo superiore possono muoversi nello strato MoTe2‑PVA come ioni e assemblarsi in un sottile filamento metallico che collega i due elettrodi. Questo filamento crea un percorso a bassa resistenza, che rappresenta lo stato ON. Invertendo la polarità della tensione il filamento si dissolve o si assottiglia, riportando il dispositivo in uno stato OFF ad alta resistenza. Gli autori mostrano che la scelta del giusto rapporto di miscelazione MoTe2:PVA (3:1) è cruciale: troppo polimero interrompe i percorsi conduttivi, mentre troppo MoTe2 rende difficile il controllo del dispositivo. Con la miscela ottimizzata, il dispositivo mostra un commutazione “bipolare” stabile—alternando tra ON e OFF con polarità di tensione opposte—per almeno 125 cicli, con piccole variazioni nelle tensioni richieste e buona conservazione dei dati per molte migliaia di secondi.

Da semplice memoria ad apprendimento simile al cervello

Poiché la sua conduttanza può essere regolata gradualmente mediante impulsi elettrici, il memristore a base di MoTe2 può imitare il modo in cui le sinapsi biologiche si rafforzano o si indeboliscono con l’attività. Applicando serie di brevi impulsi di tensione, il gruppo ha dimostrato analoghi elettronici di comportamenti sinaptici chiave: potenziamento e depressione a lungo termine (aumenti o diminuzioni duraturi della forza di connessione), regole di apprendimento dipendenti dal tempo in cui l’ordine di due impulsi è rilevante, e dipendenza dal numero e dalla frequenza degli impulsi. Il dispositivo mostra anche facilitazione a breve termine, dove un secondo impulso che arriva poco dopo il primo produce una risposta più intensa, proprio come un neurone ancora “primed”. Questi comportamenti suggeriscono che il dispositivo può supportare dinamiche di apprendimento ricche direttamente in hardware, senza spostare continuamente i dati verso una memoria separata.

Insegnare a un dispositivo ad “associare” e a leggere schemi

Per illustrare funzioni più complesse, i ricercatori hanno ricreato in forma elettronica il famoso esperimento di condizionamento di Pavlov. Hanno usato un impulso debole “neutro” e un impulso più forte “significativo” come sostituti del campanello e del cibo. All’inizio solo l’impulso forte produceva una grande risposta di corrente, ma dopo aver applicato ripetutamente entrambi insieme, il solo impulso debole ha scatenato una risposta più intensa, mostrando apprendimento associativo. Lo stesso dispositivo è stato in grado di distinguere impulsi brevi e lunghi come diversi livelli di corrente, permettendogli di riconoscere sequenze in codice Morse come schemi temporali. Convertendo le caratteristiche misurate del dispositivo in modelli software, il team ha quindi testato quanto bene queste sinapsi di tipo memristor si comporterebbero nelle reti neurali artificiali. Utilizzando sia un percettrone multistrato sia una rete neurale convoluzionale, hanno ottenuto classificazioni accurate di immagini dal diffuso dataset CIFAR‑10, indicando che il comportamento osservato del dispositivo è adatto per il calcolo neuromorfico pratico.

Cosa significa questo per l’hardware AI del futuro

In termini pratici, questo studio mostra che una semplice pila processata in soluzione di fiocchi di MoTe2 in un legante polimerico può funzionare come una sinapsi elettronica stabile e regolabile. Commuta in modo affidabile tra stati ON e OFF tramite un filamento reversibile di argento, mantiene la memoria per tempi prolungati e supporta una varietà di regole di apprendimento di tipo cerebrale, dal rafforzamento e indebolimento di base delle connessioni all’apprendimento associativo e al riconoscimento di schemi nel tempo. Quando questi comportamenti vengono tradotti in modelli di rete neurale, possono sostenere sistemi di riconoscimento delle immagini efficaci. Pur sussistendo sfide pratiche—come prevenire la crescita incontrollata dei filamenti e proteggere il polimero—il lavoro indica la strada verso chip a basso costo e a elevata efficienza energetica in cui memoria e calcolo sono strettamente intrecciati, avvicinando l’elettronica di uso quotidiano al modo in cui il nostro cervello elabora le informazioni.

Citazione: Bhunia, R., Jana, R., Saraswati, A. et al. MoTe₂-based synaptic-bridge memristor for brain-inspired computing: neuromorphic performance evaluation using MLP-CNN frameworks. npj 2D Mater Appl 10, 45 (2026). https://doi.org/10.1038/s41699-026-00682-5

Parole chiave: calcolo neuromorfico, memristore, MoTe2, sinapsi artificiale, calcolo in memoria