PdNeuRAM: vormen-vrije, multi-bit Pd/HfO2 ReRAM voor energiezuinige neuromorfe computing

Slimmere chips voor een wereld vol slimme apparaten

Van spraakassistenten tot zelfrijdende auto’s: moderne apparaten zijn afhankelijk van computers die snel maar ook energie-intensief zijn. Naarmate we meer intelligentie in telefoons, sensoren en robots stoppen, krijgen de huidige processors moeite om bij te blijven zonder batterijen te legen of oververhit te raken. Deze studie onderzoekt een nieuw soort klein elektronisch geheugenelement dat een beetje werkt als een postsynaptische verbinding in de hersenen, met als doel toekomstige AI-hardware veel energiezuiniger te maken.

Waarom hersengeïnspireerde computing nieuw hardware nodig heeft

Veel moderne AI-systemen draaien op een concept dat computing-in-memory heet, waarbij informatie op dezelfde fysieke plaats wordt opgeslagen en verwerkt. Dat vermindert de tijd en energie die verloren gaat aan het heen en weer verplaatsen van data. Een vooraanstaande kandidaat voor deze geheugencellen is resistief random access memory, of ReRAM, dat verschillende weerstandsniveaus kan onthouden, zelfs wanneer de stroom uit staat. De meeste ReRAM‑apparaten hebben echter een initiële hoge‑spanning “forming”-stap nodig om geleidende paden door het materiaal te slaan. Die stap verspilt energie, belast het apparaat en bemoeilijkt de productie, wat het nut ervan in grote, laagvermogen AI‑chips beperkt.

Een klein schakelaarontwerp zonder ruwe start

De onderzoekers ontwikkelden een nieuwe ReRAM‑cel die ze PdNeuRAM noemen, opgebouwd uit een ultradunne laag hafniumoxide tussen lagen palladium en titanium. Nauwkeurige microscopie toonde aan dat palladiumatomen lichtjes in het oxide op het grensvlak insluipen, waar ze zuurstofatomen aantrekken en veel kleine defecten achterlaten. In plaats van een gewelddadige elektrische forming‑stap om een enkele dikke geleidende filament te creëren, herbergt dit engineered grensvlak van nature een dicht netwerk van zachte, ondiepe defectplaatsen. Daardoor kan het apparaat schakelen tussen weerstandsstatussen bij veel lagere spanningen en zonder de ruwe voorbehandeling die typische ReRAM vereist.

Het afstemmen van veel schakeringen van conductantie

Elektrische tests toonden aan dat deze PdNeuRAM‑cellen hun weerstand vloeiend kunnen aanpassen over meerdere niveaus, in plaats van alleen te schakelen tussen eenvoudige "aan"- en "uit"-staten. Door de grootte en timing van elektrische pulsen te variëren, kon het team betrouwbaar minstens acht verschillende weerstandsniveaus in één cel programmeren. Deze niveaus bleven stabiel gedurende tienduizenden leesbewerkingen en schakelingen. Analyse van de stroomroutes suggereerde dat bij lagere sterktes het apparaat geleidt via een verspreid netwerk van ondiepe traps, terwijl sterkere programmeerpulsen geleidelijk de geleidende paden verdikken en het bruikbare bereik van weerstanden vergroten zonder de vloeiende controle te verliezen.

Van individuele apparaten naar spiking neurale netwerken

Om te zien hoe deze nieuwe cel zich in een realistische omgeving gedraagt, modelleerde het team kruisbalkarrays van PdNeuRAM en vergeleek die met meer conventionele platina‑gebaseerde ReRAM. Ze gebruikten deze arrays als synapsen in twee spiking neurale netwerken die patronen herkennen uit event‑based visiedatasets, waaronder bewegende handgeschreven cijfers en menselijke gebaren. In deze netwerken wordt informatie gedragen door korte elektrische spikes in plaats van door continue signalen, meer zoals echte neuronen. De onderzoekers mapten elk digitaal gewicht in het netwerk naar meerdere multi‑level ReRAM‑cellen en simuleerden vervolgens hoeveel energie nodig was om die gewichten te schrijven en te lezen tijdens leren en herkenning.

Energie besparen zonder nauwkeurigheid op te offeren

De spiking neurale netwerken gebouwd met PdNeuRAM bereikten nauwkeurigheden vergelijkbaar met die van eerdere platina‑gebaseerde apparaten, en identificeerden de meeste cijfers en gebaren in de testsets correct. Dankzij hun hogere natuurlijke weerstand en vormen‑vrije werking verbruikten de palladium‑cellen echter aanzienlijk minder energie. Over een heel netwerk daalde de energie die nodig is om synaptische gewichten te programmeren met ongeveer 43 procent, terwijl de energie om ze te lezen tijdens inference met ongeveer 38 procent afnam. Deze vermindering komt doordat het zachte, gedistribueerde defectnetwerk in PdNeuRAM dikke, sterk geleidende filamenten vermijdt, waardoor onnodige stroom tijdens zowel schrijf‑ als leesbewerkingen beperkt blijft.

Wat dit betekent voor alledaagse technologie

In eenvoudige termen laat de studie zien hoe subtiele veranderingen op atomaire schaal een veeleisend geheugenelement kunnen veranderen in een zacht, fijn afstelbaar elektronisch synaps. Door te hervormen hoe zuurstof‑ en metaalatomen zich rangschikken in een laag van slechts enkele miljardensten van een meter dik, creëerde het team een apparaat dat geen energie‑intensieve "startboost" meer nodig heeft en toch vele stabiele weerstandsniveaus biedt voor hersenachtige computing. Als deze vormen‑vrije, multi‑level ReRAM‑cellen opgeschaald en verfijnd worden, zouden ze toekomstige AI‑hardware kunnen aandrijven die in kleine sensoren, mobiele apparaten en edge‑apparatuur past en veel minder energie verbruikt dan de chips van vandaag.

Bronvermelding: 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

Trefwoorden: neuromorfe computing, ReRAM, hafniumoxide, spiking neurale netwerken, laag vermogen AI-hardware