Clear Sky Science · pt

Redes de dispositivos niquelato protônico para computação neuromórfica espaço‑temporal

2026-03-09 · Voltar ao índice

Por que pequenos dispositivos que pensam como cérebros importam

A inteligência artificial atual roda em enormes centros de dados que consumem muita energia. Nosso cérebro, em contraste, realiza cálculos muito mais ricos consumindo a energia equivalente a uma lâmpada fraca. Este artigo relata um avanço rumo a hardware com comportamento cerebral: um novo tipo de rede de dispositivos minúsculos feita de um óxido especial que processa informação no espaço e no tempo, lembra eventos recentes e reconhece padrões — como dígitos falados e sinais iniciais de convulsões epilépticas — tudo com um orçamento de energia muito inferior ao dos chips convencionais.

Um material que tanto lembra quanto responde

Os pesquisadores constroem seu sistema a partir de um niquelato perovskita, NdNiO₃, um óxido cristalino cujas propriedades elétricas podem ser alteradas de forma dramática pela inserção de hidrogênio. Quando átomos de hidrogênio entram no material próximo a um contato metálico, eles doam elétrons e transformam essa região de um bom condutor em um estado muito mais resistivo. Ao posicionar eletrodos de paládio (Pd) e ouro (Au) sobre um filme fino de niquelato e annealar em hidrogênio, a equipe cria “nuvens” de hidrogênio sob contatos selecionados. Mover essas nuvens com pulsos de tensão breves altera a facilidade com que a corrente flui, permitindo que o mesmo filme se comporte às vezes como um elemento de resposta rápida e decrescente e às vezes como uma célula de memória estável.

Dupla camada em um único chip: dinâmica rápida e memória estável

A plataforma de hardware é organizada como um cérebro artificial simples construído inteiramente a partir desse filme de niquelato

. Na camada inferior, pares de eletrodos de Pd formam junções Pd–Pd simétricas. Cada junção contém duas nuvens de hidrogênio opostas cujas formas se deslocam em sentidos contrários quando um pulso é aplicado. Como o substrato subjacente se comporta como um capacitor, pulsos repetidos em escala de nanossegundos mudam gradualmente o panorama de tensões locais e a distribuição do hidrogênio, produzindo correntes transientes que se acumulam e depois decaem ao longo de microssegundos. Isso dá a cada nó uma “memória de curto prazo” da atividade recente. Na camada superior, junções assimétricas Pd–Au abrigam apenas uma nuvem de hidrogênio. Ali, pulsos de tensão movem a nuvem e a prendem, travando um entre muitos níveis estáveis de resistência que servem como pesos programáveis de longo prazo para a computação.

Quando o vizinho importa: comportamento emergente de rede

Um avanço chave é que a camada de processamento não atua como elementos isolados. Quando um pulso atinge um nó Pd–Pd, a redistribuição de hidrogênio e de tensões no filme de niquelato muda sutilmente os campos experimentados pelos nós vizinhos. Experimentos em pequenos arranjos mostram que a corrente em um dispositivo “referência” aumenta quando nós próximos também recebem pulsos, e esse efeito depende mais de como suas nuvens de hidrogênio se comparam do que da simples distância física. Simulações confirmam que essas interações mediadas pelo substrato remodelam o panorama de potenciais no conjunto. O resultado é um comportamento ao nível de rede: o padrão de atividade através de muitos nós carrega informação mais rica do que qualquer dispositivo isolado, ecoando como grupos de neurônios cooperam no cérebro.

De padrões simples à fala e ondas cerebrais

Para demonstrar computação prática, os autores primeiro conectam os arranjos de niquelato em um experimento compacto de reconhecimento de padrões. Formas simples 5×5 em preto e branco são convertidas em trens de pulsos de tensão que acionam a camada Pd–Pd. As correntes em evolução em pads selecionados são então traduzidas em tensões que alimentam a camada de saída Pd–Au, cujas resistências são treinadas para distinguir os padrões. O hardware classifica corretamente as entradas, mostrando que processamento espaço‑temporal mais uma leitura linear podem implementar toda a cadeia de reconhecimento no mesmo material. A equipe então modela redes muito maiores com base no comportamento medido dos dispositivos. Para reconhecimento de dígitos falados, formas de onda sonoras são pré‑processadas em trens de pulsos por muitos canais de frequência antes de entrar na camada de processamento de niquelato

. Incluir tanto o acoplamento espacial quanto o desvanecimento temporal melhora a precisão para cerca de 95%, superior ao uso apenas de dispositivos dependentes do tempo ou pular a camada de processamento. Uma abordagem similar aplicada a registros clínicos de eletroencefalograma melhora a detecção precoce de crises, alcançando precisão significativamente maior em apenas alguns segundos de atividade cerebral anormal.

O que isso significa para o futuro do hardware inteligente

Em termos práticos, este trabalho mostra que um único material cuidadosamente projetado pode tanto “sentir” fluxos rápidos de entrada quanto “lembrar” o que importa para decisões posteriores, de modo análogo a um trecho simplificado de tecido cerebral. Como os dispositivos de niquelato operam com pulsos de nanossegundos e quantidades ínfimas de energia, eles oferecem uma rota promissora para chips compactos e de baixo consumo que analisam som, fala ou sinais médicos em tempo real sem enviar dados a servidores distantes. Os mesmos princípios — movimento de prótons moldando vias elétricas e dispositivos influenciando uns aos outros por meio de um substrato compartilhado — podem ser estendidos ou combinados com outros materiais avançados, apontando para hardware que incorpora de forma nativa as computações espaço‑ e tempo‑dependentes entrelaçadas que nossos cérebros realizam com tanta facilidade.

Citação: Zhou, Y., Shah, S., Dey, T. et al. Protonic nickelate device networks for spatiotemporal neuromorphic computing. Nat. Nanotechnol. 21, 579–587 (2026). https://doi.org/10.1038/s41565-026-02133-0

Palavras-chave: hardware neuromórfico, niquelato protônico, computação espaço‑temporal, computação em reservatório, IA de baixo consumo