PdNeuRAM: ReRAM Pd/HfO2 multibit semiformatizante para computação neuromórfica energeticamente eficiente

Chips mais inteligentes para um mundo de dispositivos inteligentes

De assistentes de voz a carros autônomos, dispositivos modernos dependem de computadores rápidos, porém com alto consumo de energia. À medida que colocamos mais inteligência em celulares, sensores e robôs, os processadores atuais têm dificuldade em acompanhar sem drenar baterias ou superaquecer. Este estudo explora um novo tipo de elemento de memória eletrônico minúsculo que se comporta de forma análoga a uma sinapse cerebral, com o objetivo de tornar o hardware de inteligência artificial futuro muito mais eficiente em energia.

Por que a computação inspirada no cérebro precisa de novo hardware

Muitos sistemas modernos de IA funcionam com um conceito chamado computação na memória, onde informação é armazenada e processada no mesmo local físico. Isso reduz o tempo e a energia gastos em transferir dados de um lado para o outro. Um candidato promissor para essas células de memória é a memória resistiva de acesso aleatório, ou ReRAM, que pode reter diferentes níveis de resistência mesmo com a energia desligada. Contudo, a maioria dos dispositivos ReRAM exige uma etapa inicial de alta tensão chamada “forming” para perfurar caminhos condutivos através do material. Essa etapa desperdiça energia, estressa o dispositivo e complica a fabricação, limitando sua utilidade em chips de IA grandes e de baixo consumo.

Projetando um interruptor minúsculo sem um começo agressivo

Os pesquisadores desenvolveram uma nova célula ReRAM que chamam PdNeuRAM, construída a partir de uma camada ultrafina de óxido de háfnio sanduichada entre camadas de paládio e titânio. Microscopia cuidadosa mostrou que átomos de paládio se infiltram levemente no óxido na interface, onde atraem átomos de oxigênio e deixam para trás muitas pequenas falhas. Em vez de precisar de uma etapa elétrica violenta de forming para criar um único filamento condutor espesso, essa interface projetada naturalmente abriga uma densa rede de sítios de defeito rasos e suaves. Como resultado, o dispositivo pode alternar entre estados de resistência em tensões muito menores e sem o pré-tratamento agressivo que o ReRAM típico requer.

Ajustando muitos tons de condutância

Testes elétricos revelaram que essas células PdNeuRAM podem ajustar sua resistência de forma suave por vários níveis em vez de apenas alternar entre estados simples de “ligado” e “desligado”. Ao mudar o tamanho e o tempo dos pulsos elétricos, a equipe conseguiu programar de forma confiável pelo menos oito níveis distintos de resistência em uma única célula. Esses níveis permaneceram estáveis ao longo de dezenas de milhares de operações de leitura e ciclos de comutação. A análise do fluxo de corrente sugeriu que, em intensidades mais baixas, o dispositivo conduz através de uma rede espalhada de armadilhas rasas, enquanto pulsos de programação mais fortes gradualmente espessam os caminhos condutores, expandindo a faixa utilizável de resistência sem perder o controle suave.

De dispositivos únicos a redes neurais por picos

Para verificar como essa nova célula se comporta em um cenário realista, a equipe modelou matrizes em crossbar de PdNeuRAM e as comparou com ReRAMs mais convencionais à base de platina. Eles usaram essas matrizes como sinapses em duas redes neurais por picos que reconhecem padrões de conjuntos de dados de visão baseados em eventos, incluindo dígitos manuscritos em movimento e gestos humanos. Nessas redes, a informação é transportada por breves picos elétricos em vez de sinais contínuos, mais parecido com neurônios reais. Os pesquisadores mapearam cada peso digital na rede para várias células ReRAM multinível e então simularam quanta energia era necessária para escrever e ler esses pesos durante o aprendizado e o reconhecimento.

Economizando energia sem sacrificar a precisão

As redes neurais por picos construídas com PdNeuRAM alcançaram precisões semelhantes às obtidas com os dispositivos baseados em platina anteriores, identificando corretamente a maioria dos dígitos e gestos nos conjuntos de teste. No entanto, graças à sua resistência natural mais alta e à operação sem forming, as células à base de paládio consumiram significativamente menos energia. Em toda a rede, a energia necessária para programar os pesos sinápticos caiu cerca de 43%, enquanto a energia exigida para lê‑los durante a inferência diminuiu cerca de 38%. Essa redução decorre do fato de que a rede de defeitos distribuída e suave no PdNeuRAM evita filamentos espessos e altamente condutivos, limitando correntes desnecessárias tanto nas operações de escrita quanto de leitura.

O que isso significa para a tecnologia do dia a dia

De forma simples, o estudo mostra como mudanças sutis em escala atômica podem transformar um elemento de memória exigente em uma sinapse eletrônica suave e finamente ajustável. Ao remodelar a forma como átomos de oxigênio e metal se organizam em algumas frações de bilionésimos de metro de espessura, a equipe criou um dispositivo que não precisa mais de um “empurrão” energeticamente caro, mas que ainda oferece muitos níveis estáveis de resistência para computação inspirada no cérebro. Se ampliadas e refinadas, tais células ReRAM multnível sem forming poderiam ajudar a alimentar hardware de IA futuro que caiba dentro de sensores minúsculos, gadgets móveis e dispositivos de ponta, usando muito menos energia do que os chips atuais.

Citação: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

Palavras-chave: computação neuromórfica, ReRAM, óxido de háfnio, redes neurais por picos, hardware de IA de baixo consumo