Мемристанс и трансмемристанс в многоконтактных мемристивных системах

Почему важны крошечные запоминающие схемы

Современные технологии, такие как искусственный интеллект и вычисления, вдохновлённые мозгом, требуют аппаратуры, которая умеет учиться и адаптироваться, а не просто хранить данные. Мемристивные устройства — крошечные компоненты, чьё электрическое сопротивление запоминает прошлые сигналы — стали многообещающими кандидатами. В этой статье рассматривается, как коллекции множества таких устройств, соединённых между собой и доступных через несколько электрических выводов, можно описать и контролировать в рамках единой методики. Эта методика не только помогает инженерам проектировать новые типы вычислительной аппаратуры, но и даёт инструменты для исследования того, как информация протекает через сложные, саморганизующиеся сети на наномасштабе.

От простых запоминающих устройств к сложным сетям

Ранние мемристивные устройства имели всего два вывода, как обычный резистор, который может менять своё сопротивление в зависимости от полученных электрических сигналов. Эти базовые элементы уже используются для создания быстрых энергоэффективных запоминающих устройств и для ускорения алгоритмов машинного обучения. Обычно их размещают аккуратными крест-решётками — упорядоченными массивами, где каждая точка пересечения хранит значение в виде конкретного сопротивления. Однако исследователи также начали изучать гораздо более нерегулярные системы, состоящие из многих взаимодействующих мемристивных элементов, например спутанные сети нанопроволок или наночастиц. В таких системах поведение в целом зависит меньше от отдельных устройств и больше от того, как вся сеть коллективно реагирует на паттерны стимуляции во времени.

Много выводов — много точек зрения

Авторы обобщают привычное описание для двухвыводных устройств до того, что они называют многоконтактными мемристивными системами. Вместо одного входа и одного выхода такие системы имеют множество доступных выводов, которые можно либо возбуждать напряжением, либо оставлять плавающими. Математический объект, называемый матрицей мемристанса, связывает напряжения и токи на всех неплавающих выводах и эволюционирует по мере изменения внутреннего состояния сети. Измерение меняющегося электрического «расстояния» между любыми двумя выводами показывает, как эффективное сопротивление между ними увеличивается или уменьшается в ответ на паттерны стимуляции. Эта идея важна, потому что означает, что то, что мы наблюдаем на одной паре выводов, отражает то, как скрытая внутренняя часть сети реорганизуется.

Наблюдать скрытые изменения сбоку

Ключевое достижение этой работы — расширение понятия от мемристанса (изменение сопротивления, наблюдаемое на стимулируемых выводах) до трансмемристанса, который фиксирует, как стимуляция в одной паре выводов влияет на сигналы, измеряемые в другой паре. На практике это означает, что вы можете приложить напряжение в одном месте и наблюдать возникающее изменение напряжения или тока в другом, фактически «подслушивая» внутреннюю перестройку сети с нескольких точек наблюдения. Эта концепция сначала развивается в теории с помощью графовых моделей, где узлы представляют области или соединения, а рёбра ведут себя как мемристивные связи, чья проводимость меняется со временем. По мере возбуждения сети некоторые пути становятся более проводящими, а затем расслабляются, и эти сдвиги отражаются в том, насколько сильно различные пары выводов становятся связаны друг с другом.

Реальные обучающиеся сети нанопроволок

Чтобы показать применимость этих идей на практике, авторы изучают саморганизующиеся сети металлических нанопроволок, контактируемых массивами металлических электродов. Каждый электрод касается множества проводов, а многочисленные контакты между проводами работают как крошечные мемристивные элементы. Когда между одной парой электродов подаётся импульс напряжения, отклик по току и измеренное сопротивление на этих электродах показывают характерный паттерн «учись и забывай»: сопротивление падает во время импульса и затем медленно возвращается к прежнему значению. В то же время напряжения, измеряемые на других, не стимулируемых парах электродов, эволюционируют коррелированно, что выявляет трансмемристивное поведение. Интерпретируя эти измерения через матрицу мемристанса и связанные с ней графовые инструменты, исследователи могут восстановить, как меняется связность внутри сети со временем, хотя отдельные контакты напрямую не наблюдаются.

К новым типам адаптивного оборудования

Проще говоря, эта работа показывает, как рассматривать сложные многоконтактные мемристивные сети как единый настраиваемый объект, внутреннее состояние которого можно как управлять, так и считывать с разных точек. Мемристанс показывает, как сеть реагирует в месте воздействия; трансмемристанс показывает, как эта реакция распространяется по остальной системе. Вместе они дают практические наблюдаемые величины, отражающие скрытую динамику нанокомпонентов. Эта единая методика связывает теорию цепей, науку о сетях и физику материалов, прокладывая путь для новых методов характеристики и создания аппаратуры, выполняющей вычисления с использованием естественной адаптивной динамики мемристивных сетей вместо жёсткой цифровой логики.

Цитирование: Milano, G., Pilati, D., Michieletti, F. et al. Memristance and transmemristance in multiterminal memristive systems. Sci Rep 16, 5271 (2026). https://doi.org/10.1038/s41598-026-35671-7

Ключевые слова: мемристивные сети, нейроморфное оборудование, сети нанопроволок, резервуарные вычисления, адаптивная электроника