Сети протонных никелатных устройств для пространственно-временных нейроморфных вычислений

Почему важны крошечные устройства, мыслящие как мозг

Современный искусственный интеллект работает в огромных центрах обработки данных, пожирающих энергию. Наш мозг, напротив, выполняет куда более богатые вычисления, потребляя мощность, сопоставимую со слабой лампочкой. В этой статье описан шаг в сторону аппаратуры, похожей на мозг: новый тип сетей из крошечных устройств на основе специального оксидного материала, который обрабатывает информацию в пространстве и времени, запоминает недавние события и распознаёт шаблоны — например, произнесённые цифры и ранние признаки эпилептических приступов — при энергозатратах значительно ниже, чем у обычных микросхем.

Материал, который и запоминает, и реагирует

Исследователи создают свою систему из перовскитного никелата NdNiO₃, кристаллического оксида, электрические свойства которого можно существенно изменить введением водорода. Когда атомы водорода попадают в материал рядом с металлическим контактом, они отдают электроны и превращают эту область из хорошего проводника в значительно более высокоомное состояние. Размещая электроды из палладия (Pd) и золота (Au) на тонкой плёнке никелата и отжигая её в среде водорода, команда создаёт «облака» водорода под выбранными контактами. Перемещение этих облаков короткими напряжёнными импульсами меняет проводимость, позволяя одной и той же плёнке в одних условиях вести себя как быстрое, затухающее звено отклика, а в других — как стабильная ячейка памяти.

Два слоя на одном чипе: быстрые динамики и устойчивая память

Аппаратная платформа организована как простая искусственная «мозговая» структура, полностью построенная из этой плёнки никелата

Когда важны соседи: эмерджентное поведение сети

Ключевой прогресс заключается в том, что слой обработки не действует как набор изолированных элементов. Когда импульс попадает в одну Pd–Pd ячейку, перераспределение водорода и напряжения в плёнке никелата тонко меняет поля, действующие на соседние узлы. Эксперименты на небольших массивах показывают, что ток в «эталонном» устройстве увеличивается, когда близлежащие узлы тоже получают импульсы, и этот эффект сильнее зависит от сравнения их водородных облаков, чем от простой физической дистанции. Моделирование подтверждает, что взаимодействия через подложку перестраивают общий потенциал. В результате возникает поведение на уровне сети: паттерн активности по многим узлам несёт более богатую информацию, чем любое отдельное устройство, что отзвучивает сотрудничеством групп нейронов в мозге.

От простых шаблонов до речи и мозговых волн

Чтобы продемонстрировать практическое вычисление, авторы сначала подключают массивы никелата к компактному эксперименту по распознаванию образов. Простые чёрно‑белые фигуры 5×5 преобразуются в поезда напряжённых импульсов, которые стимулируют Pd–Pd слой. Изменяющиеся токи на выбранных контактах затем переводятся в напряжения, подающиеся на выходной Pd–Au слой, сопротивления которого обучаются различать шаблоны. Аппаратура правильно классифицирует входы, показывая, что пространственно‑временная обработка в сочетании с линейным считывателем могут реализовать полный конвейер распознавания на одном и том же материале. Команда затем моделирует намного большие сети на основе измеренного поведения устройств. Для распознавания произнесённых цифр звуковые сигналы предварительно обрабатываются в поезда импульсов по множеству частотных каналов перед подачей в никелатный слой обработки

Что это значит для будущей интеллектуальной аппаратуры

В практическом смысле эта работа показывает, что один тщательно сконструированный материал может одновременно «ощущать» быстрые потоки входных данных и «запоминать» то, что важно для последующих решений, подобно упрощённому участку мозговой ткани. Поскольку никелатные устройства работают с наносекундными импульсами и очень малыми энергозатратами, они предлагают перспективный путь к компактным, энергоэффективным чипам, которые в реальном времени анализируют звук, речь или медицинские сигналы, не отправляя данные на удалённые серверы. Те же принципы — движение протонов, формирующее электрические пути, и взаимное влияние устройств через общую подложку — могут быть расширены или объединены с другими передовыми материалами, указывая путь к аппаратуре, которая изначально воплощает переплетённые пространственно‑временные вычисления, которые наш мозг выполняет с такой лёгкостью.

Цитирование: 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

Ключевые слова: нейроморфное аппаратное обеспечение, протонный никелат, пространственно-временные вычисления, резервуарные вычисления, энергосберегающий ИИ