Polimorficzne urządzenia elektroniczne oparte na interfejsie tlenków do obliczeń neuromorficznych

Dlaczego to maleńkie urządzenie ma znaczenie dla przyszłej sztucznej inteligencji

W miarę jak nasze telefony, samochody i centra danych stają się inteligentniejsze, zużywają też ogromne ilości energii. Duża część tego kosztu nie wynika z samego „myślenia”, lecz z ciągłego przesyłania danych między oddzielnymi układami przechowującymi informacje a układami je przetwarzającymi. W artykule opisano nowy rodzaj mikroskopijnego urządzenia wykonanego z materiałów tlenkowych, które może pełnić kilka ról elektronicznych jednocześnie i naśladować niektóre aspekty tego, jak komórki mózgowe uczą się. Taki zmieniający się kształtami (polimorficzny) sprzęt może pomóc zbudować przyszłe systemy sztucznej inteligencji znacznie bardziej kompaktowe i energooszczędne niż dzisiejsze komputery.

Jeden maleńki bloczek, wiele osobowości

Naukowcy pracują ze specjalnym interfejsem między dwoma tlenkami: alunitranianem lantanu (LaAlO3) i tytanianem strontu (SrTiO3). Tam, gdzie te kryształy stykają się, elektrony tworzą wyjątkowo cienką, ruchliwą warstwę zachowującą się jak przewodzący nanodrut. Poprzez staranne wzorcowanie tego interfejsu i dodanie dwóch bocznych elektrod zespół tworzy pojedynczą nanostrukturę, którą można w czasie rzeczywistym przepiąć, aby działała jako trzy różne podstawowe elementy elektroniczne. Przy jednym schemacie okablowania zachowuje się jak konwencjonalny tranzystor, przy innym staje się memrystorem (rezystor z pamięcią), a przy trzecim funkcjonuje jako memkondensator (kondensator z pamięcią). Wszystkie trzy tryby działają w temperaturze pokojowej na obszarze rzędu jednego mikrometra kwadratowego — kilka razy mniejsze i prostsze niż użycie trzech oddzielnych urządzeń.

Jak działa zmiana funkcji

W trybie tranzystora napięcia przyłożone do bocznych bramek wpychają elektrony do nanodrutu LaAlO3/SrTiO3 lub je z niego wypierają, zwiększając lub zmniejszając prąd kanału, podobnie jak w standardowym tranzystorze polowego efektu. Aby przełączyć się na zachowanie memrystora, boczne bramki pozostawia się elektrycznie „pływające” zamiast łączyć je z ustalonym potencjałem. Ładunki mogą wtedy powoli tunelować do i z tych pływających obszarów, więc oporność kanału zależy od jego niedawnej historii napięciowej i wykazuje charakterystyczną pętlę histerezy. W trybie memkondensatora ta sama struktura bramki służy do kontrolowanego magazynowania i uwalniania ładunku w sposób zależny od historii, prowadząc do dwóch odrębnych stanów pojemności z wyraźną histerezą w zależności pojemności od napięcia. We wszystkich trzech przypadkach kluczową fizyką jest kontrolowane chwytanie i uwalnianie ładunku w pobliżu interfejsu, a nie przemieszczanie się atomów czy defektów, co sprawia, że zachowanie jest stabilne i powtarzalne.

Od elementów podstawowych do układów przypominających mózg

Ponieważ to samo fizyczne urządzenie może działać jako tranzystor, memrystor lub memkondensator w zależności od zewnętrznego okablowania, staje się elastycznym blokiem budulcowym dla układów neuromorficznych — inspirowanych mózgiem. Autorzy najpierw łączą jeden tranzystor z jednym memkondensatorem, aby zbudować prosty element „reservoir computing”. Krótkie impuls wejściowy steruje tranzystorem, który z kolei ładuje memkondensator. Napięcie wyjściowe następnie powoli zanika, zachowując gasnącą pamięć o niedawnych wejściach. Ta nieliniowa, krótkotrwała pamięć jest dokładnie tym, czego potrzebuje reservoir computing do zadań takich jak rozpoznawanie wzorców. Używając komputerowo wygenerowanych obrazów cyfr, zespół pokazuje, że tablica tych elementów potrafi rozróżniać różne cyfry na podstawie czasowo zależnych przebiegów napięcia, które generują.

Uczenie się, logika i decyzje na tej samej platformie

To samo urządzenie tlenkowe można też przełączyć na układy naśladujące synapsy — połączenia między neuronami — oraz bramki logiczne, podstawowe jednostki obliczeń cyfrowych. W konfiguracji z jednym tranzystorem i jednym memrystorem krótkie impulsy napięciowe powodują krótkotrwałe zmiany prądu, podczas gdy powtarzane lub silniejsze impulsy wywołują trwałe zmiany, co przypomina wzmacnianie synaps biologicznych przy powtarzanym użyciu. Z dwoma tranzystorami i jednym memrystorem autorzy implementują operacje logiczne OR i AND, gdzie logiczny wynik jest przechowywany bezpośrednio w przewodności memrystora długo po usunięciu sygnałów wejściowych. Zmieniając sposób, w jaki napięcie operacyjne jest przesuwane, ten sam układ można rekonfigurować między zachowaniem podobnym do OR a zachowaniem podobnym do AND, umożliwiając rodzaj logiki synaptycznej, która może na bieżąco adaptować swoje reguły. Jako demonstrację koncepcji odwzorowują sygnały tętna i ciśnienia krwi na układ i używają go do naśladowania prostego drzewa decyzyjnego monitorowania stanu zdrowia, które rozróżnia osoby zdrowe od pacjentów z chorobami serca.

Co to oznacza dla codziennej technologii

Dla laika kluczowy przekaz jest taki, że autorzy skondensowali kilka rodzajów zachowań elektronicznych — a nawet podstawowe funkcje uczenia się i podejmowania decyzji — w jednym, stabilnym, zgodnym z krzemem urządzeniu tlenkowym. To zmniejsza powierzchnię układu, ogranicza nakład okablowania i może obniżyć zużycie energii, przy jednoczesnym wsparciu zaawansowanego przetwarzania w stylu SI, takiego jak rozpoznawanie wzorców i adaptacyjna logika. Jeśli zostanie to skalowane, takie polimorficzne urządzenia tlenkowe mogłyby stanowić podstawę przyszłych układów łączących obliczenia konwencjonalne z metodami inspirowanymi mózgiem, pomagając centrom danych, urządzeniom brzegowym i czujnikom przetwarzać rosnące strumienie informacji znacznie wydajniej niż dzisiejsze architektury oparte wyłącznie na tranzystorach.

Cytowanie: Pradhan, S., Miller, K., Hartmann, F. et al. Oxide interface-based polymorphic electronic devices for neuromorphic computing. Nat Commun 17, 3406 (2026). https://doi.org/10.1038/s41467-026-71642-2

Słowa kluczowe: obliczenia neuromorficzne, memrystor, interfejs tlenków, reservoir computing, polimorficzna elektronika