Feedbackneuron baserat på perovskit-memristor med nickel-enkelatom-ingenjörsatt reducerad grafenoxidkatod

Hjärninspirerade chip för smartare maskiner

Moderna datorer är snabba men förvånansvärt ineffektiva på uppgifter som våra hjärnor klarar med lätthet, som att känna igen en blomma eller planera en effektiv rutt över många städer. Denna artikel rapporterar en ny typ av elektronisk komponent som beter sig mer som en verklig neuron i hjärnan och hanterar både "fram"- och "stopp"-signaler i en enda liten enhet. Genom att noggrant konstruera material på nivån av enstaka atomer skapar forskarna artificiella neuroner som kan lära sig mönster och lösa komplexa optimeringsproblem med avsevärt mindre hårdvara än dagens processorer.

Varför vi behöver nya typer av neuroner i hårdvara

Biologiska neuroner hanterar ständigt två typer av signaler: excitatoriska som driver dem mot avfyrning, och inhibitoriska som håller dem tillbaka. Balansen mellan dessa är avgörande för stabilt tänkande, perception och beslutsfattande. En särskild klass kallad feedbackneuroner blandar inkommande "framåtriktade" signaler med "bakåtriktade" inhibitoriska signaler, vilket möjliggör beteenden som konkurrens mellan neuroner och vinnare-tar-allt-beslut där endast den starkaste responsen överlever. Att återskapa detta dubbla, finbalanserade beteende i elektronik har varit svårt. De flesta befintliga memristorer, som minns sin elektriska historia, leder ström huvudsakligen i en riktning och slappnar av för snabbt, vilket gör dem dåliga förebilder för neuroner som måste integrera signaler över millisekunder.

Att bygga en smartare elektronisk enhet

Teamet angriper dessa begränsningar med en perovskitbaserad memristor — en enhet vars konduktans kan förändras gradvis — kombinerad med en ovanlig katod gjord av reducerad grafenoxid dekorerad med isolerade nickelatomer. Detta nickel-enkelatomslager är inte bara en passiv kontakt. För det första justerar det energilandskapet vid gränsytan så att elektroner kan flöda mer symmetriskt i båda riktningar, vilket stöder balanserade excitatoriska och inhibitoriska beteenden. För det andra höjer det energibarriären för jodidjoner som rör sig in i elektroden. Istället för att rusa fritt blir jonerna delvis instängda och rör sig långsammare och reversibelt. Denna kontrollerade rörelse förlänger enhetens "minne" av tidigare signaler till det biologiskt relevanta millisekundområdet utan behov av skrymmande externa kondensatorer.

Hur atomär design formar beteendet

Med hjälp av avancerad mikroskopi och spektroskopi bekräftar forskarna att nickelatomer är individuellt förankrade vid syreatomer i det grafenbaserade lagret snarare än att klumpa ihop sig till partiklar. Datorsimuleringar visar att denna atomära ordning förskjuter de elektroniska energinivåerna i kolarket, vilket gör det mer metalliskt och bättre matchat med perovskiten under. Samtidigt visar beräkningar att diffusionsbarriären för jodidjoner är högre när nickel finns närvarande. Experimentellt kan enheter med denna ingenjörskatteodade katod smidigt stega genom cirka 1 000 distinkta konduktansnivåer och uppvisa nästan spegelsymmetriska svar för positiva och negativa spänningssvep. Deras ström avklingar över cirka 780 millisekunder efter stimulans — en tidskala nära verkliga nervceller — vilket gör att enheten troget kan efterlikna läckande integrera-och-avfyra-dynamik.

Från en enhet till ett lärande nätverk

Genom att driva dessa memristorer med skräddarsydda spänningspulser visar teamet att en enda enhet kan fungera som en feedbackneuron: den summerar inkommande pulser, avfyrar när dess ström passerar en tröskel och läcker sedan sakta tillbaka mot sitt vilotillstånd. Negativa pulser undertrycker dess konduktans och ger en elektronisk form av inhibition. Nätverk av dessa neuroner är ordnade i korsbar-arrayer och kopplade till enkel styrelektronik baserad på fältprogrammerbara grindmatriser (FPGA). I en demonstration utför systemet osupervisat konkurrensinlärning på blomdata, klustrar tre typer av blommor efter deras uppmätta egenskaper, där varje neuron specialiserar sig på en viss typ. I ett annat test använder en kooperativ inlärningsschema som bygger på en självorganiserande karta samma typ av neuroner för att lösa problemet med handelsresande, en klassisk logistikutmaning, och konvergerar mot effektiva rutter upp till sex gånger snabbare än en standard simulerad glödgningsalgoritm.

Vad detta betyder för framtidens beräkning

I vardagstermer visar detta arbete att vi i allt större utsträckning kan bygga elektroniska komponenter som beter sig som små, ställbara hjärnceller snarare än enkla av/på-brytare. Genom att placera enstaka nickelatomer på precis rätt ställen inne i ett grafenbaserat lager får författarna exakt kontroll över både elektroner och joner, vilket ger en enhet som kan excitera, inhibera och långsamt glömma på ett hjärnelikt sätt. Dessa artificiella feedbackneuroner kan packas tätt, kräver lite stödjande kretsar och hanterar redan realistiska lärandeuppgifter och optimeringsproblem. Allteftersom sådana enheter förbättras kan de bli grunden för kompakt, energieffektiv hårdvara som kompletterar eller till och med ersätter delar av dagens energikrävande digitala processorer i tillämpningar från mönsterigenkänning till smart planering.

Citering: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

Nyckelord: neuromorf beräkning, memristor, perovskitenheter, grafen elektronik, hårdvarulärande