Protonische nikkelaat‑apparaatnetwerken voor spatiotemporale neuromorfe berekening

Waarom kleine apparaten die als hersenen denken ertoe doen

De huidige kunstmatige intelligentie draait op enorme datacenters die veel energie verbruiken. Onze hersenen daarentegen voeren veel rijkere berekeningen uit terwijl ze zo weinig verbruiken als een zwak lampje. Dit artikel beschrijft een stap richting hersenachtig hardware: een nieuw soort netwerk van kleine apparaten gemaakt van een speciaal oxide‑materiaal dat informatie in ruimte en tijd verwerkt, recentelijke gebeurtenissen onthoudt en patronen herkent — zoals uitgesproken cijfers en vroege tekenen van epileptische aanvallen — en dat alles met een energiebudget ver onder dat van conventionele chips.

Een materiaal dat zowel kan onthouden als reageren

De onderzoekers bouwen hun systeem uit een perovskiet‑nikkelaat, NdNiO₃, een kristallijn oxide waarvan de elektrische eigenschappen sterk kunnen veranderen door waterstofinbreng. Wanneer waterstofatomen het materiaal binnendringen nabij een metalen contact, geven ze elektronen af en veranderen ze die regio van een goede geleider in een veel resistievere toestand. Door palladium (Pd)‑ en goud (Au)‑elektroden op een dun nikkelaatfilm te plaatsen en deze in waterstof te annealen, creëert het team "wolken" van waterstof onder geselecteerde contacten. Het verplaatsen van deze wolken met korte spanningspulsen verandert hoe gemakkelijk stroom vloeit, waardoor dezelfde film soms als een snel vervagend responselement en soms als een stabiele geheugencel kan functioneren.

Twee lagen op één chip: snelle dynamiek en blijvend geheugen

Het hardwareplatform is georganiseerd als een eenvoudige kunstmatige hersenlaag die volledig uit deze nikkelaatfilm bestaat

Wanneer buren ertoe doen: emergent netwerkgedrag

Een belangrijke vooruitgang is dat de verwerkingslaag niet als geïsoleerde elementen fungeert. Wanneer een puls een Pd–Pd‑knoop raakt, verandert de herverdeling van waterstof en spanning in de nikkelaatfilm subtiel de velden die naburige knopen ervaren. Experimenten op kleine arrays tonen aan dat de stroom in een "referentie"‑apparaat groter wordt wanneer naburige knopen ook pulsen ontvangen, en dit effect hangt meer af van hoe hun waterstofwolken zich tot elkaar verhouden dan van louter fysieke afstand. Simulaties bevestigen dat deze door het substraat gemedieerde interacties het algehele potentiële landschap herschikken. Het resultaat is gedrag op netwerkniveau: het activiteitspatroon over veel knopen draagt rijkere informatie dan enig enkel apparaat op zichzelf, wat echoot hoe groepen neuronen in de hersenen samenwerken.

Van eenvoudige patronen tot spraak en hersengolven

Om praktische berekening te demonstreren, schakelen de auteurs eerst de nikkelaatarrays in een compact patroonherkenningsexperiment. Eenvoudige 5×5 zwart‑wit vormen worden omgezet in treinen van spanningspulses die de Pd–Pd‑laag aandrijven. De zich ontwikkelende stromen op geselecteerde pads worden vervolgens vertaald naar spanningen die de Pd–Au‑uitgangslaag voeden, waarvan de weerstanden worden getraind om de patronen te onderscheiden. De hardware classificeert de invoer correct, wat aantoont dat spatiotemporale verwerking plus een lineaire uitlezing een volledige herkenningspijplijn in hetzelfde materiaal kunnen implementeren. Het team modelleert daarna veel grotere netwerken gebaseerd op hun gemeten apparaatsgedrag. Voor herkenning van uitgesproken cijfers worden geluidsgolven voorbewerkt tot spike‑treinen over veel frequentiekanalen voordat ze de nikkelaat verwerkingslaag binnengaan

Wat dit betekent voor toekomstige intelligente hardware

In alledaagse termen toont dit werk aan dat één zorgvuldig ontworpen materiaal zowel snelle stroompjes van invoer kan "voelen" als kan "onthouden" wat belangrijk is voor latere beslissingen, vergelijkbaar met een vereenvoudigd stukje hersenweefsel. Omdat de nikkelaatapparaten werken met nanoseconde‑pulsen en zeer kleine hoeveelheden energie, bieden ze een veelbelovende route naar compacte, energiezuinige chips die geluid, spraak of medische signalen in realtime analyseren zonder data naar verre servers te verzenden. Dezelfde principes — protonbeweging die elektrische paden vormt en apparaten die elkaar beïnvloeden via een gedeeld substraat — zouden kunnen worden uitgebreid of gecombineerd met andere geavanceerde materialen, en wijzen naar hardware die van nature de verweven ruimtelijke en temporele berekeningen belichaamt die onze hersenen met zulke eenvoud uitvoeren.

Bronvermelding: 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

Trefwoorden: neuromorfe hardware, protonische nikkelaat, spatiotemporeel rekenen, reservoir computing, energiezuinige AI