Array de crossbar de memristores fluidos em hidrogel confinado para computação neuromórfica

Por que um chip macio e aquoso importa

A maioria dos computadores atuais é construída com silício rígido e fluxos de elétrons, muito diferente das redes macias e úmidas do cérebro humano. Este estudo mostra como um chip feito de géis e íons em movimento pode imitar algumas capacidades semelhantes às do cérebro, sugerindo dispositivos futuros mais eficientes em energia e capazes de detectar e responder diretamente a substâncias químicas em seu entorno.

Transformando inspiração cerebral em um dispositivo macio

O cérebro processa informação usando átomos carregados que se movem por conexões semelhantes a gel entre células nervosas. Inspirados nisso, os pesquisadores criaram um pequeno componente elétrico chamado memristor fluídico usando dois hidrogéis moles unidos dentro de um poro microscópico em uma folha plástica. Um gel carrega cargas positivas fixas e atrai íons negativos, enquanto o outro é neutro e contém uma solução salina diluída. Onde os dois géis se tocam, os íons podem lentamente se acumular ou se esgotar dependendo da tensão aplicada, conferindo ao dispositivo uma memória embutida de sinais passados na forma de resistência elétrica variável.

Como a interface do gel lembra sinais

Ao varrer a tensão através de um único poro, a equipe observou uma resposta de corrente em forma de laço característica que indica comportamento de memória real. Modelos computacionais mostraram que essa resposta vem do acúmulo ou da depleção de íons na estreita interface de gel ao longo do tempo. Sob uma direção de tensão, íons negativos correm em direção à interface e depois transbordam para o gel neutro, tornando o caminho mais condutivo; na direção oposta, são puxados para fora, dificultando a condução. Como esse rearranjo leva tempo para se estabilizar, o dispositivo “lembra” pulsos recentes como uma mudança temporária na condutância, de modo semelhante a uma sinapse biológica que se fortalece ou enfraquece temporariamente após atividade.

Imitando aprendizado nas conexões nervosas

Os pesquisadores então estimularam os dispositivos com pulsos de tensão curtos que representam disparos nervosos. Pares de pulsos negativos próximos no tempo fizeram a segunda resposta aumentar, um comportamento chamado facilitação, enquanto pulsos positivos fizeram a segunda resposta diminuir, semelhante à depressão em uma sinapse real. Sequências de pulsos com diferentes frequência, número e duração produziram mudanças graduais de condutância, mostrando que o dispositivo pode filtrar sinais no tempo e armazenar múltiplos níveis de peso. Ele opera em tensões na faixa de milivolts e energia por pulso na faixa de picojoules, muito abaixo de circuitos em estado sólido típicos, e pode ser comutado de forma confiável muitas vezes, o que é essencial para tarefas computacionais práticas.

De um poro a uma grade pensante

Como os hidrogéis são fáceis de imprimir e curar no local, a equipe construiu matrizes crossbar completas perfurando grades regulares de poros cônicos em polimida flexível e preenchendo cada poro com a pilha de dois géis. Uma pequena matriz 3 × 3 mostrou comportamento uniforme entre os sítios, e uma maior 10 × 10 alcançou rendimento de funcionamento de 94%, indicando que o projeto macio e confinado escala bem. A matriz também pode responder diretamente a substâncias químicas: a molécula biológica ATP infiltra-se no gel carregado, liga-se a ele e reduz sua carga, o que por sua vez enfraquece o efeito memristivo e acelera a perda dos estados armazenados, efetivamente usando química para ajustar o comportamento semelhante ao sináptico.

Deixando o hardware macio reconhecer dígitos

Para testar o processamento de informação real, os autores usaram a matriz como o núcleo dinâmico de um tipo de aprendizado de máquina chamado reservoir computing. Padrões de pulsos de tensão representando linhas de imagens de dígitos em preto e branco foram alimentados em poros selecionados, e os valores de condutância resultantes foram lidos para uma camada simples de software que realizou a classificação final. Com essa configuração, o sistema reconheceu corretamente padrões de dígitos gerados por computador e atingiu 89,5% de acurácia em dígitos manuscritos do banco de dados MNIST, um benchmark comum em inteligência artificial, mostrando que uma modesta matriz baseada em íons pode lidar com tarefas de reconhecimento não triviais.

O que isso significa para futuros computadores macios

Este trabalho demonstra que uma grande grade ordenada de memristores fluidos e macios pode ser construída e usada para computação inspirada no cérebro, ao mesmo tempo em que reage diretamente a sinais químicos. Embora desafios permaneçam, como estabilidade a longo prazo e alcançar formas mais permanentes de memória, a abordagem de hidrogel confinado aponta para chips futuros que computem com íons em vez de elétrons e que possam, um dia, integrar sensoriamento, química e inteligência de baixa potência em hardware flexível, semelhante a tecidos.

Citação: Guo, G., Xiong, T., Xie, B. et al. Confined-hydrogel fluidic memristor crossbar array for neuromorphic computing. Nat Commun 17, 4275 (2026). https://doi.org/10.1038/s41467-026-70728-1

Palavras-chave: memristor fluídico, eletrônica em hidrogel, computação neuromórfica, computação baseada em íons, reservoir computing