Neurônios de realimentação baseados em memristor de perovskita com cátodo de óxido de grafeno reduzido engenheirado com átomos isolados de níquel

Chips inspirados no cérebro para máquinas mais inteligentes

Computadores modernos são rápidos, mas surpreendentemente ineficientes em tarefas que nossos cérebros realizam com facilidade, como reconhecer uma flor ou planejar uma rota eficiente entre muitas cidades. Este artigo descreve um novo tipo de componente eletrônico que se comporta mais como um neurônio real do cérebro, lidando com sinais de “seguir” e “parar” em um único dispositivo minúsculo. Ao engenheirar cuidadosamente materiais no nível de átomos isolados, os pesquisadores criam neurônios artificiais capazes de aprender padrões e resolver problemas de otimização complexos usando bem menos hardware do que os processadores atuais.

Por que precisamos de novos tipos de neurônios em hardware

Neurônios biológicos equilibram constantemente dois tipos de sinais: excitatórios, que os impulsionam a disparar, e inibitórios, que os contêm. O balanço entre esses sinais é crucial para pensamento estável, percepção e tomada de decisão. Uma classe especial chamada neurônios de realimentação mistura sinais “diretos” entrantes com sinais inibitórios “retroativos”, permitindo comportamentos como competição entre neurônios e decisões do tipo vencedor-leva-tudo, nas quais apenas a resposta mais forte prevalece. Recriar esse comportamento dual e finamente balanceado em eletrônica tem sido difícil. A maioria dos dispositivos “memristores” existentes, que recordam sua história elétrica, conduz corrente principalmente em uma direção e relaxa muito rápido, tornando-se pobres substitutos para neurônios que precisam integrar sinais por milissegundos.

Construindo um dispositivo eletrônico mais inteligente

A equipe enfrenta esses limites usando um memristor à base de perovskita — um dispositivo cuja condutância pode mudar gradualmente — combinado com um cátodo incomum feito de óxido de grafeno reduzido decorado com átomos isolados de níquel. Essa camada de átomos únicos de níquel não é apenas um contato passivo. Primeiro, ela ajusta o cenário energético na interface para que elétrons possam fluir de forma mais simétrica em ambas as direções, suportando comportamentos excitatórios e inibitórios equilibrados. Segundo, ela aumenta a barreira energética para íons iodeto que migram para o eletrodo. Em vez de se moverem livremente, os íons ficam parcialmente confinados e se deslocam mais lentamente e de forma reversível. Esse movimento controlado estende a “memória” do dispositivo sobre sinais passados para a faixa biológica relevante de milissegundos sem necessidade de capacitores externos volumosos.

Como o projeto atômico molda o comportamento

Usando microscopia e espectroscopia avançadas, os pesquisadores confirmam que os átomos de níquel estão ancorados individualmente em sítios de oxigênio na camada à base de grafeno, em vez de aglomerarem-se em partículas. Simulações computacionais mostram que esse arranjo atômico desloca os níveis de energia eletrônica da folha de carbono, tornando-a mais metálica e melhor casada com a perovskita subjacente. Ao mesmo tempo, cálculos revelam uma barreira de difusão maior para íons iodeto quando o níquel está presente. Experimentalmente, dispositivos com esse cátodo engenheirado conseguem percorrer suavemente cerca de 1.000 níveis distintos de condutância e mostram respostas quase espelho-simétricas para varreduras de tensão positivas e negativas. Sua corrente decai ao longo de aproximadamente 780 milissegundos após a estimulação — uma escala de tempo próxima à das células nervosas reais — permitindo que o dispositivo imite fielmente a dinâmica de integrar-e-disparar com vazamento.

De um único dispositivo a uma rede com aprendizagem

Ao acionar esses memristores com pulsos de tensão sob medida, a equipe demonstra que um único dispositivo pode atuar como um neurônio de realimentação: ele soma pulsos entrantes, dispara quando sua corrente ultrapassa um limiar e então lentamente vaza de volta ao seu estado de repouso. Pulsos negativos suprimem sua condutância, fornecendo uma forma eletrônica de inibição. Redes desses neurônios são organizadas em arranjos em crossbar e ligadas a eletrônica de controle simples baseada em FPGAs (field-programmable gate arrays). Em uma demonstração, o sistema realiza aprendizado competitivo não supervisionado em dados florais, agrupando três tipos de flores por suas características medidas, com cada neurônio se especializando em um tipo particular. Em outro teste, um esquema cooperativo de aprendizagem baseado em mapa auto-organizável usa o mesmo tipo de neurônios para resolver o problema do caixeiro viajante, um desafio clássico em logística, convergindo para rotas eficientes até seis vezes mais rápido que um algoritmo padrão de recozimento simulado.

O que isso significa para a computação futura

Em termos práticos, este trabalho mostra que podemos cada vez mais construir componentes eletrônicos que se comportam como pequenas células cerebrais ajustáveis em vez de simples interruptores liga–desliga. Ao posicionar átomos únicos de níquel nos pontos certos dentro de uma camada à base de grafeno, os autores ganham controle preciso sobre elétrons e íons, produzindo um dispositivo que pode excitar, inibir e esquecer lentamente de maneira semelhante ao cérebro. Esses neurônios artificiais de realimentação podem ser densamente empacotados, exigem pouca eletrônica de suporte e já lidam com tarefas de aprendizagem realistas e problemas de otimização. À medida que esses dispositivos melhorarem, eles podem formar a base de hardware compacto e energeticamente eficiente que complementa ou até substitui partes dos processadores digitais atuais, vorazes por energia, em aplicações que vão do reconhecimento de padrões ao planejamento inteligente.

Citação: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

Palavras-chave: computação neuromórfica, memristor, dispositivos de perovskita, eletrônica de grafeno, aprendizado em hardware