PdNeuRAM: ReRAM Pd/HfO2 multi-bit senza forming per il calcolo neuromorfico a basso consumo

Chip più intelligenti per un mondo di dispositivi smart

Dagli assistenti vocali alle auto a guida autonoma, i dispositivi moderni dipendono da computer veloci ma energivori. Man mano che inseriamo più intelligenza in telefoni, sensori e robot, i processori attuali faticano a tenere il passo senza prosciugare le batterie o surriscaldarsi. Questo studio esplora un nuovo tipo di minuscolo elemento di memoria elettronica che si comporta un po’ come una sinapsi cerebrale, con l’obiettivo di rendere l’hardware dell’intelligenza artificiale futura molto più efficiente dal punto di vista energetico.

Perché il calcolo ispirato al cervello richiede nuovo hardware

Molti sistemi di IA moderni usano il concetto di computing in memory, dove l’informazione viene memorizzata e processata nello stesso punto fisico. Questo riduce il tempo e l’energia spesi per spostare i dati avanti e indietro. Un candidato di punta per queste celle di memoria è la resistive random access memory, o ReRAM, che può mantenere diversi livelli di resistenza anche a dispositivo spento. Tuttavia, la maggior parte dei dispositivi ReRAM richiede un passo iniziale ad alto voltaggio di “forming” per creare percorsi conduttivi attraverso il materiale. Quel passo spreca energia, stressa il dispositivo e complica la produzione, limitandone l’utilità in chip di IA grandi e a basso consumo.

Progettare un interruttore minuscolo senza un inizio violento

I ricercatori hanno sviluppato una nuova cella ReRAM che chiamano PdNeuRAM, costruita da uno strato ultrafine di ossido di hafnio racchiuso tra strati di palladio e titanio. Microscopia accurata ha mostrato che gli atomi di palladio si inseriscono leggermente nell’ossido all’interfaccia, dove attraggono atomi di ossigeno e lasciano dietro molti piccoli difetti. Invece di richiedere un violento step elettrico di forming per creare un unico filamento conduttivo spesso, questa interfaccia ingegnerizzata ospita naturalmente una rete densa di siti difettosi delicati e poco profondi. Di conseguenza, il dispositivo può commutare tra stati di resistenza a voltaggi molto più bassi e senza il trattamento iniziale aggressivo richiesto dalle ReRAM tipiche.

Regolare molte sfumature di conduttanza

I test elettrici hanno rivelato che queste celle PdNeuRAM possono regolare in modo fluido la loro resistenza su più livelli anziché limitarsi a passare tra semplici stati “on” e “off”. Modificando l’ampiezza e la durata degli impulsi elettrici, il team è stato in grado di programmare in modo affidabile almeno otto distinti livelli di resistenza in una singola cella. Questi livelli sono rimasti stabili per decine di migliaia di operazioni di lettura e cicli di commutazione. L’analisi del flusso di corrente suggerisce che, a intensità più basse, il dispositivo conduce attraverso una rete diffusa di trappole poco profonde, mentre impulsi di programmazione più forti addensano gradualmente i percorsi conduttivi, ampliando l’intervallo utilizzabile di resistenza senza perdere il controllo graduale.

Da singoli dispositivi a reti neurali a spike

Per valutare il comportamento della nuova cella in uno scenario realistico, il team ha modellato array crossbar di PdNeuRAM e li ha confrontati con ReRAM più convenzionali a base di platino. Hanno usato questi array come sinapsi in due reti neurali a spiking che riconoscono pattern da dataset di visione event-driven, inclusi cifre scritte a mano in movimento e gesti umani. In queste reti, l’informazione è trasportata da brevi spike elettrici invece che da segnali continui, più simile ai neuroni reali. I ricercatori hanno mappato ogni peso digitale della rete su diverse celle ReRAM multilevel e poi hanno simulato quanta energia fosse necessaria per scrivere e leggere quei pesi durante l’apprendimento e il riconoscimento.

Risparmiare energia senza sacrificare l’accuratezza

Le reti neurali a spike costruite con PdNeuRAM hanno raggiunto accuratezze simili a quelle ottenute con i dispositivi a base di platino precedenti, identificando correttamente la maggior parte di cifre e gesti nei set di prova. Tuttavia, grazie alla loro resistenza naturale più elevata e all’operazione senza forming, le celle a base di palladio hanno consumato molta meno energia. Su un’intera rete, l’energia necessaria per programmare i pesi sinaptici è diminuita di circa il 43%, mentre l’energia richiesta per leggerli durante l’inferenza è calata di circa il 38%. Questa riduzione deriva dal fatto che la rete di difetti delicata e distribuita in PdNeuRAM evita filamenti spessi e altamente conduttivi, limitando correnti non necessarie sia durante le operazioni di scrittura sia di lettura.

Cosa significa per la tecnologia di tutti i giorni

In termini semplici, lo studio mostra come piccoli cambiamenti su scala atomica possano trasformare un elemento di memoria esigente in una sinapsi elettronica gentile e finemente regolabile. Rimodellando il modo in cui atomi di ossigeno e metallo si dispongono in pochi miliardesimi di metro di spessore, il team ha creato un dispositivo che non richiede più un “colpo di avvio” energivoro, offrendo al contempo molti livelli di resistenza stabili per il calcolo ispirato al cervello. Se scalate e perfezionate, tali celle ReRAM multilevel senza forming potrebbero alimentare l’hardware AI futuro che si inserisce in sensori minuscoli, dispositivi mobili e edge device consumando molta meno energia rispetto ai chip odierni.

Citazione: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

Parole chiave: calcolo neuromorfico, ReRAM, ossido di hafnio, reti neurali a spike, hardware AI a basso consumo