Memristor com ponte sináptica baseado em MoTe2 para computação inspirada no cérebro: avaliação de desempenho neuromórfico usando estruturas MLP-CNN

Por que pequenas “sinapses” eletrônicas importam

Nossos telefones e computadores estão ficando mais inteligentes, mas ainda desperdiçam muita energia movendo dados entre memória e processadores. O cérebro humano, em contraste, armazena e processa informação no mesmo local, utilizando vastas redes de sinapses energeticamente eficientes. Este artigo explora um novo tipo de componente eletrônico minúsculo, feito de um cristal em camadas chamado MoTe2 misturado a um polímero comum, que se comporta de forma semelhante a uma sinapse biológica e pode ajudar a construir hardware inspirado no cérebro para a próxima geração de inteligência artificial.

Construindo um novo tipo de interruptor

No cerne deste trabalho está um dispositivo chamado memristor, um componente de dois terminais cuja resistência elétrica pode ser alterada e mantida mesmo sem alimentação. Os pesquisadores criaram um memristor ao sanduichar um filme fino de flocos de MoTe2 misturados com polivinil álcool (PVA) entre um eletrodo inferior de óxido de índio e estanho (ITO) e um eletrodo superior de prata. O MoTe2 vem de cristais monocristalinos de alta qualidade cuidadosamente cultivados, então esfoliados em flocos multicamadas que se dispersam no PVA, formando uma rede conectada porém controlada para a corrente. Medições por microscopia e espectroscopia confirmam que o MoTe2 mantém uma forma cristalina estável com ligações químicas limpas, enquanto o filme composto tem cerca de 100 nanômetros de espessura e é uniforme na área do dispositivo.

Como o dispositivo lembra

Quando uma tensão é aplicada, átomos de prata do eletrodo superior podem migrar para a camada MoTe2‑PVA como íons e se montar em um filamento metálico estreito que faz a ponte entre os dois eletrodos. Esse filamento cria um caminho de baixa resistência, representando um estado LIGADO. Inverter a polaridade dissolve ou afina o filamento, retornando o dispositivo a um estado de alta resistência DESLIGADO. Os autores mostram que escolher a proporção correta MoTe2:PVA (3:1) é crucial: polímero em excesso rompe os caminhos condutores, enquanto muito MoTe2 torna o dispositivo difícil de controlar. Com a mistura otimizada, o dispositivo exibe comutação “bipolar” estável — alternando entre LIGADO e DESLIGADO com polaridades de tensão opostas — por pelo menos 125 ciclos, com pequena variação nas tensões necessárias e boa retenção de dados por muitos milhares de segundos.

De memória simples ao aprendizado similar ao do cérebro

Porque sua condutância pode ser ajustada gradualmente por pulsos elétricos, o memristor de MoTe2 pode imitar como sinapses biológicas se fortalecem ou enfraquecem com a atividade. Ao aplicar trens de pulsos de curta duração, a equipe demonstrou análogos eletrônicos de comportamentos sinápticos chave: potenciação e depressão de longo prazo (aumentos ou diminuições duradouros na força de conexão), regras de aprendizado dependentes de tempo onde a ordem de dois pulsos importa, e dependência no número e na taxa de pulsos. O dispositivo também mostra facilitação de curto prazo, em que um segundo pulso chegando logo após o primeiro produz uma resposta mais forte, muito parecido com um neurônio que ainda está “primado”. Juntos, esses comportamentos sugerem que o dispositivo pode suportar dinâmicas de aprendizado ricas diretamente no hardware, sem movimentação constante de dados para uma memória separada.

Ensinando um dispositivo a “associar” e a ler padrões

Para ilustrar funções mais complexas, os pesquisadores recriaram eletronicamente o famoso experimento de condicionamento de Pavlov. Eles usaram um pulso fraco “neutro” e um pulso mais forte “significativo” como substitutos do sino e da comida. Inicialmente, apenas o pulso forte produzia uma grande resposta de corrente, mas após aplicar repetidamente ambos juntos, o pulso fraco sozinho passou a disparar uma resposta maior, demonstrando aprendizado associativo. O mesmo dispositivo pôde distinguir pulsos curtos e longos como diferentes níveis de corrente, permitindo reconhecer sequências de código Morse como padrões no tempo. Convertendo as características medidas do dispositivo em modelos de software, a equipe então testou quão bem essas sinapses tipo-memristor se sairiam em redes neurais artificiais. Usando tanto um perceptron multicamadas quanto uma rede neural convolucional, eles alcançaram classificação precisa de imagens do amplamente utilizado conjunto de dados CIFAR‑10, indicando que o comportamento observado no dispositivo é adequado para computação neuromórfica prática.

O que isso significa para o hardware de IA do futuro

Em termos simples, este estudo mostra que uma pilha simples processada em solução de flocos de MoTe2 em um ligante polimérico pode atuar como uma sinapse eletrônica estável e ajustável. Ela comuta de forma confiável entre estados LIGADO e DESLIGADO por meio de um filamento de prata reversível, mantém sua memória por longos períodos e suporta uma variedade de regras de aprendizado semelhantes às do cérebro, desde fortalecimento e enfraquecimento básicos de conexões até aprendizado associativo e reconhecimento de padrões no tempo. Quando esses comportamentos são traduzidos em modelos de rede neural, eles podem sustentar sistemas eficazes de reconhecimento de imagens. Embora desafios práticos persistam — como prevenir crescimento indesejado de filamentos e proteger o polímero — o trabalho aponta para chips de baixo custo e eficiência energética onde memória e computação estão intimamente entrelaçadas, aproximando a eletrônica cotidiana da maneira como nossos cérebros processam informação.

Citação: 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

Palavras-chave: computação neuromórfica, memristor, MoTe2, sinapse artificial, computação em memória