Influência das propriedades do pulso de programação nas características de atualização de peso de transistores sinápticos IGZO com aprisionamento de carga

Hardware de IA mais inteligente inspirado no cérebro

A inteligência artificial de hoje roda em sua maior parte em chips digitais que consomem muita energia. Este estudo explora um caminho diferente, usando dispositivos eletrônicos especiais que se comportam mais como sinapses cerebrais e podem armazenar o aprendizado diretamente no hardware. Os pesquisadores mostram como moldar cuidadosamente o tempo dos pulsos de tensão pode fazer com que esses minúsculos dispositivos memorizem melhor, mantendo um consumo energético muito baixo — um passo rumo a IA mais eficiente em telefones, sensores e dispositivos de borda.

Interruptores minúsculos que aprendem como sinapses

O trabalho se concentra em transistores de filme fino feitos de óxido amorfo de índio-gálio-zinco, um semicondutor transparente já empregado em algumas tecnologias de display. Nestes dispositivos, uma camada de óxido de silício depositada em baixa temperatura sob o canal contém muitas defeitos que podem temporariamente prender e liberar elétrons. Cada transistor funciona como uma sinapse cuja força é definida pela quantidade de elétrons nesses sítios de aprisionamento, assim como sinapses biológicas se fortalecem ou enfraquecem à medida que os sinais passam entre neurônios. Enviando uma sequência de pulsos elétricos ao gate do transistor, a equipe pode gradualmente diminuir ou aumentar a corrente que flui, imitando como o peso sináptico muda durante o aprendizado.

Como o tempo do pulso molda a memória eletrônica

Uma questão central é como a largura de cada pulso de programação afeta essa memória eletrônica. Os autores comparam três larguras de pulso de 1,5, 3 ou 6 segundos mantendo sob controle rigoroso outras condições como amplitude do pulso, tempo total de treinamento e ciclo de trabalho. Pulsos curtos transportam menos energia, então menos elétrons alcançam armadilhas mais profundas, enquanto pulsos muito longos dão mais tempo para que o dispositivo relaxe ou se recupere durante as etapas de leitura. Quando os três esquemas de pulso recebem o mesmo tempo total de ligado e desligado, o caso intermediário de 3 segundos produz o maior alcance entre os estados sinápticos mais fraco e mais forte, ou seja, oferece a maior faixa utilizável para armazenar pesos aprendidos.

Separando o aprendizado verdadeiro da simples recuperação

Como o transistor naturalmente tende a voltar ao seu estado original durante a leitura, a equipe realiza um segundo conjunto de experimentos para separar essa recuperação do aprendizado genuíno. Desta vez eles fixam o número de pulsos e o tempo de recuperação entre eles, ajustando o ciclo de trabalho para que pulsos mais longos ainda compartilhem as mesmas condições de leitura. Sob essa comparação mais justa, quanto mais longo o pulso, mais elétrons ficam presos no óxido e mais profundamente o dispositivo entra em seu estado de memória. O resultado é uma razão dinâmica em aumento constante — uma medida de quanto a condutância do dispositivo pode ser ajustada — com os pulsos de 6 segundos fornecendo a faixa de peso mais ampla e controlável.

De dispositivos individuais ao reconhecimento de dígitos manuscritos

Para avaliar o impacto no processamento real, os pesquisadores incorporam o comportamento medido dos dispositivos em um simulador de acelerador de IA analógica. Eles modelam uma rede neural artificial que reconhece dígitos manuscritos do conjunto de dados MNIST, conectando muitos desses transistores sinápticos em uma matriz virtual do tipo crossbar. Como os dispositivos operam em correntes muito baixas na região subthreshold, ruído e efeitos de recuperação podem desfocar os pesos armazenados. Ainda assim, a rede alcança acurácias de reconhecimento próximas de 80, 87 e 90 por cento para larguras de pulso de 1,5, 3 e 6 segundos, respectivamente. Esse acompanhamento próximo entre a faixa de peso utilizável e a acurácia de reconhecimento demonstra que um melhor controle do aprisionamento de carga melhora diretamente a qualidade do aprendizado.

Por que o desenho do pulso importa para a IA de baixo consumo do futuro

Em termos simples, o estudo mostra que esses transistores de óxido lembram informações pela duração e intensidade com que são pulsados, assim como uma sinapse cerebral muda com atividade repetida. Pulsos muito curtos não empurram carga suficiente para estados de memória profundos, enquanto pulsos muito longos precisam ser equilibrados com a rapidez com que o dispositivo esquece durante a leitura. Ajustando tanto a largura do pulso quanto a frequência com que o dispositivo descansa entre pulsos, os engenheiros podem expandir a faixa de memória e melhorar o reconhecimento de padrões sem aumentar a tensão de operação. Esse insight aponta para hardware inspirado no cérebro que pode executar tarefas de IA com eficiência, armazenando e atualizando conhecimento diretamente em vastas malhas de transistores sinápticos.

Citação: Ko, Y., Ryu, J., Pi, J. et al. Influence of programming-pulse properties on weight-update characteristics of charge-trapping IGZO synaptic transistors. Sci Rep 16, 15031 (2026). https://doi.org/10.1038/s41598-026-44949-9

Palavras-chave: hardware neuromórfico, transistor sináptico, IGZO, largura de pulso de programação, IA analógica