Memrystor na bazie MoTe2 jako synaptyczny mostek dla obliczeń inspirowanych mózgiem: ocena wydajności neuromorficznej przy użyciu struktur MLP-CNN

Dlaczego małe elektroniczne „synapsy” mają znaczenie

Nasze telefony i komputery stają się coraz mądrzejsze, ale wciąż tracą dużo energii na przesyłanie danych między pamięcią a procesorami. Mózg ludzki przeciwnie — przechowuje i przetwarza informacje w tym samym miejscu, wykorzystując rozległe sieci energetycznie wydajnych synaps. W artykule badane jest nowe rodzaj małego elementu elektronicznego, wykonanego z warstwowego kryształu MoTe2 wymieszanego z powszechnym polimerem, który zachowuje się nieco jak synapsa biologiczna i może pomóc w budowie sprzętu inspirowanego mózgiem dla przyszłej sztucznej inteligencji.

Budowa nowego typu przełącznika

U podstaw tej pracy leży urządzenie nazywane memrystorem, dwubiegunowy element, którego rezystancję można zmieniać i zachowywać nawet po odłączeniu zasilania. Naukowcy stworzyli memrystor, umieszczając cienką warstwę łusek MoTe2 wymieszanych z poliwinylowym alkoholem (PVA) między dolną elektroda z tlenku indu i cyny (ITO) a górną elektrodą ze srebra. MoTe2 pochodzi z precyzyjnie hodowanych wysokiej jakości monokryształów, a następnie jest eksfoliowane do wielowarstwowych łusek, które rozpraszają się w PVA, tworząc połączoną, lecz kontrolowaną sieć przewodzenia prądu. Pomiary mikroskopowe i spektroskopowe potwierdzają, że MoTe2 zachowuje stabilną formę krystaliczną z czystymi wiązaniami chemicznymi, a kompozytowa warstwa ma około 100 nanometrów grubości i jest jednorodna na obszarze urządzenia.

Jak urządzenie pamięta

Po przyłożeniu napięcia atomy srebra z górnej elektrody mogą przemieszczać się do warstwy MoTe2‑PVA jako jony i składać się w wąski metaliczny filament łączący obie elektrody. Ten filament tworzy ścieżkę o niskim oporze, odpowiadającą stanowi WŁĄCZENIA (ON). Odwrócenie polaryzacji rozpuszcza lub przerzedza filament, przywracając urządzenie do stanu wysokiego oporu (OFF). Autorzy pokazują, że wybór odpowiedniego stosunku MoTe2:PVA (3:1) jest kluczowy: zbyt dużo polimeru przerywa ścieżki przewodzące, natomiast nadmiar MoTe2 utrudnia kontrolę nad urządzeniem. Przy zoptymalizowanej mieszance urządzenie wykazuje stabilne przełączanie „bipolarne” — przechodzenie między ON i OFF przy przeciwnych biegunowościach napięcia — przez co najmniej 125 cykli, z niewielkimi wahaniami wymaganych napięć i dobrą retencją danych przez wiele tysięcy sekund.

Od prostej pamięci do uczenia przypominającego mózg

Dzięki możliwości stopniowego regulowania przewodności za pomocą impulsów elektrycznych, memrystor z MoTe2 potrafi naśladować, jak synapsy biologiczne wzmacniają się lub osłabiają przy aktywności. Stosując serie krótkich impulsów napięcia, zespół zademonstrował elektroniczne odpowiedniki kluczowych zachowań synaptycznych: długotrwałe wzmocnienie i osłabienie (trwałe zwiększenia lub zmniejszenia siły połączenia), reguły uczenia zależne od czasu, gdzie kolejność dwóch impulsów ma znaczenie, oraz zależność od liczby i częstotliwości impulsów. Urządzenie wykazuje także krótkotrwałe ułatwienie, gdy drugi impuls pojawiający się wkrótce po pierwszym wywołuje silniejszą odpowiedź, podobnie jak neuron pozostający „natempowany”. Razem te zachowania sugerują, że urządzenie może wspierać bogą dynamikę uczenia bezpośrednio w sprzęcie, bez ciągłego przesyłania danych do oddzielnej pamięci.

Nauczanie urządzenia „asocjacji” i czytanie wzorców

Aby zilustrować bardziej złożone funkcje, badacze odtworzyli w formie elektronicznej słynny eksperyment Pawłowa. Użyli słabego „neutralnego” impulsu i silniejszego „sensownego” impulsu jako odpowiedników dzwonka i jedzenia. Początkowo tylko silny impuls wywoływał duży prąd, lecz po wielokrotnym jednoczesnym podawaniu obu impulsów, słaby impuls sam w sobie wywoływał silniejszą odpowiedź, co pokazuje uczenie asocjacyjne. To samo urządzenie potrafiło rozróżniać krótkie i długie impulsy jako różne poziomy prądu, co pozwoliło mu rozpoznawać sekwencje kodu Morse’a jako wzorce w czasie. Przekształcając zmierzone charakterystyki urządzenia w modele programowe, zespół przetestował następnie, jak dobrze takie synapsy przypominające memrystory sprawdzą się w sztucznych sieciach neuronowych. Używając zarówno perceptronu wielowarstwowego (MLP), jak i konwolucyjnej sieci neuronowej (CNN), uzyskali dokładną klasyfikację obrazów z powszechnie używanego zbioru CIFAR‑10, co wskazuje, że zaobserwowane zachowanie urządzenia nadaje się do praktycznych obliczeń neuromorficznych.

Co to oznacza dla przyszłego sprzętu AI

Mówiąc prosto, badanie pokazuje, że prosty, przygotowany z roztworu układ łusek MoTe2 w spoiwie polimerowym może działać jako stabilna, regulowalna synapsa elektroniczna. Niezawodnie przełącza się między stanami ON i OFF poprzez odwracalny filament srebrny, przechowuje pamięć przez długi czas i obsługuje różne reguły uczenia przypominające mózg — od podstawowego wzmacniania i osłabiania połączeń, przez uczenie asocjacyjne, aż po rozpoznawanie wzorców w czasie. Po przeniesieniu tych zachowań do modeli sieci neuronowych mogą one stanowić podstawę efektywnych systemów rozpoznawania obrazów. Choć pozostają wyzwania praktyczne — takie jak zapobieganie niekontrolowanemu wzrostowi filamentów i ochrona polimeru — praca wskazuje na możliwość tanich, energooszczędnych układów, w których pamięć i obliczenia są ściśle sprzężone, przybliżając elektronikę konsumencką do sposobu przetwarzania informacji przez nasze mózgi.

Cytowanie: 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

Słowa kluczowe: obliczenia neuromorficzne, memrystor, MoTe2, sztuczna synapsa, obliczenia w pamięci