Clear Sky Science · sv

Protoniska nickelat‑enhetsnätverk för spatiotemporär neuromorf beräkning

2026-03-09 · Tillbaka till index

Varför små enheter som tänker som hjärnor är viktiga

Dagens artificiella intelligens körs i enorma datacenter som slukar energi. Våra hjärnor, däremot, utför mycket rikare beräkningar samtidigt som de drar ungefär lika mycket effekt som en svag glödlampa. Denna artikel rapporterar ett steg mot hjärnlika hårdvaror: en ny typ av nätverk av små enheter tillverkade av ett särskilt oxidmaterial som bearbetar information i både rum och tid, minns nyligen inträffade händelser och känner igen mönster som talade siffror och tidiga tecken på epileptiska anfall — allt på en energinivå som ligger långt under konventionella kretsars.

Ett material som både kan minnas och reagera

Forskarna bygger sitt system av ett perovskit‑nickelat, NdNiO₃, en kristallin oxid vars elektriska egenskaper kan förändras dramatiskt genom insättning av väte. När väteatomer kommer in i materialet nära en metallkontakt donerar de elektroner och förvandlar det området från god ledare till ett mycket mer resistivt tillstånd. Genom att placera palladium (Pd) och guld (Au) elektroder på en tunn nickelatfilm och glödga den i väte skapar teamet ”moln” av väte under utvalda kontakter. Att flytta dessa moln med korta spänningspulser ändrar hur lätt ström flyter, vilket gör att samma film ibland beter sig som ett snabbt, försvinnande responselement och ibland som en stabil minnescell.

Två lager på en chip: snabba dynamiker och stadig lagring

Hårdvaruplattformen är organiserad som en enkel artificiell hjärna byggd helt av denna nickelatfilm

. I det lägre lagret bildar par av Pd‑elektroder symmetriska Pd–Pd‑kontaktpunkter. Varje kontakt innehåller två motstående vätemoln vars former skiftar i motsatta riktningar när en puls appliceras. Eftersom den underliggande substratet beter sig som en kondensator förändrar upprepade nanosekund‑skaliga pulser gradvis den lokala spänningslandskapet och vätefördelningen, vilket ger upphov till övergångsströmmar som byggs upp och sedan avklingar över mikrosekunder. Det ger varje nod ett ”korttidsminne” av senaste aktivitet. I det övre lagret håller asymmetriska Pd–Au‑kontakter bara ett vätemoln. Här driver spänningspulser molnet att förflytta sig och stanna kvar, vilket låser in ett av många stabila resistansnivåer som tjänar som långtidsprogrammerbara vikter för beräkning.

När grannar spelar roll: emergent nätverksbeteende

Ett centralt framsteg är att bearbetningslagret inte fungerar som isolerade element. När en puls träffar en Pd–Pd‑nod ändrar omfördelningen av väte och spänning i nickelatfilmen subtilt de fält som upplevs av intilliggande noder. Experiment på små arrayer visar att strömmen i en ”referens”‑enhet blir större när närliggande noder också får pulser, och denna effekt beror mer på hur deras vätemoln förhåller sig till varandra än på enkel fysisk avstånd. Simulationer bekräftar att dessa substratmedierade interaktioner omformar det övergripande potentiallandskapet. Resultatet är nätverksnivåbeteende: aktivitetsmönstret över många noder bär rikare information än någon enskild enhet, ekande hur neurongrupper samverkar i hjärnan.

Från enkla mönster till tal och hjärnvågor

För att demonstrera praktisk beräkning kopplar författarna först nickelatarrayerna till ett kompakt mönsterigenkänningsförsök. Enkla 5×5 svart‑vita former omvandlas till tåg av spänningsspikar som driver Pd–Pd‑lagret. De föränderliga strömmarna vid utvalda padar översätts sedan till spänningar som matar Pd–Au‑utgångslagret, vars resistanser tränas för att skilja mellan mönstren. Hårdvaran klassificerar ingångarna korrekt, vilket visar att spatiotemporal bearbetning plus en linjär avläsning kan implementera en fullständig igenkänningskedja i samma material. Teamet modellerar sedan mycket större nätverk baserade på deras uppmätta enhetsbeteende. För igenkänning av talade siffror förbehandlas ljudvågor till spik‑tåg över många frekvenskanaler innan de går in i nickelatets bearbetningslager

. Att inkludera både rumslig koppling och tidsmässig avklingning förbättrar noggrannheten till cirka 95%, bättre än att använda endast tidsberoende enheter eller att hoppa över bearbetningslagret helt. En liknande metod tillämpad på kliniska elektroencefalograminspelningar förbättrar tidig anfallsdetektion och uppnår avsevärt högre noggrannhet inom bara några sekunder av onormal hjärnaktivitet.

Vad detta betyder för framtidens intelligenta hårdvara

I vardagliga termer visar detta arbete att ett enda, noggrant utformat material både kan ”känna” snabba inflöden av data och ”minnas” vad som är viktigt för senare beslut, mycket likt en förenklad fläck av hjärnvävnad. Eftersom nickelatenheterna fungerar med nanosekundspulser och mycket små energimängder erbjuder de en lovande väg mot kompakta, lågenergikretsar som analyserar ljud, tal eller medicinska signaler i realtid utan att behöva skicka data till avlägsna servrar. Samma principer — protonrörelse som formar elektriska banor och enheter som påverkar varandra genom ett delat substrat — kan utvidgas eller kombineras med andra avancerade material, vilket pekar mot hårdvara som inbyggt förkroppsligar de sammanflätade rumsliga och tidsberoende beräkningar våra hjärnor utför med sådan lätthet.

Citering: 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

Nyckelord: neuromorf hårdvara, protoniskt nickelat, spatiotemporal beräkning, reservoir computing, lågenergi‑AI