MoTe2-baserad synaptisk-bryggememristor för hjärnliknande beräkning: neurormorf prestandautvärdering med MLP- och CNN-ramverk

Varför små elektroniska “synapser” spelar roll

Våra telefoner och datorer blir smartare, men slösar fortfarande mycket energi på att flytta data fram och tillbaka mellan minne och processor. Den mänskliga hjärnan, däremot, lagrar och bearbetar information på samma plats med hjälp av stora nätverk av energieffektiva synapser. Denna artikel undersöker en ny typ av liten elektronisk komponent, tillverkad av ett lagerkristalliskt material kallat MoTe2 blandat i en vanlig polymer, som beter sig något likt en biologisk synaps och kan hjälpa till att bygga hjärnliknande hårdvara för framtida artificiell intelligens.

Att bygga en ny typ av brytare

I kärnan av detta arbete finns en enhet kallad memristor, en tvåterminalskomponent vars elektriska resistans kan ändras och bevaras även när strömmen är avstängd. Forskarna skapade en memristor genom att lägga en tunn film av MoTe2-flagor blandade med polyvinylalkohol (PVA) mellan en bottenelektrod av indiumtennoxid (ITO) och en toppelektrod av silver. MoTe2 framställs från noggrant odlade högkvalitativa enkelkristaller som sedan exfolieras till flerskiktsflagor som dispergeras i PVA och bildar ett sammanhängande men kontrollerat nätverk för ström. Mikroskopi- och spektroskopimätningar bekräftar att MoTe2 behåller en stabil kristallform med rena kemiska bindningar, medan den kompositfilmen är ungefär 100 nanometer tjock och jämn över enhetens yta.

Hur enheten minns

När en spänning appliceras kan silveratomer från toppelektroden röra sig in i MoTe2-PVA-lagret som joner och bygga upp en smal metallisk filament som förbinder de två elektroderna. Denna filament skapar en lågresistiv väg, vilket motsvarar ett PÅ-läge. Om man vänder spänningen löses filamentet upp eller tunnas ut, och enheten återgår till ett högresistivt AV-läge. Författarna visar att valet av rätt MoTe2:PVA-blandningsförhållande (3:1) är avgörande: för mycket polymer bryter upp de ledande banorna, medan för mycket MoTe2 gör enheten svår att kontrollera. Med den optimerade blandningen uppvisar enheten stabil “bipolär” växling — växling mellan PÅ och AV med motsatta spänningspolaritet — under minst 125 cykler, med liten variation i de erforderliga spänningarna och god datalagring över många tusen sekunder.

Från enkel lagring till hjärnliknande inlärning

Eftersom dess ledningsförmåga kan ställas in gradvis med elektriska pulser kan MoTe2-memristorn efterlikna hur biologiska synapser förstärks eller försvagas med aktivitet. Genom att applicera serier av korta spänningspulser demonstrerade teamet elektroniska motsvarigheter till viktiga synaptiska beteenden: långtidsförstärkning och -depression (varaktiga ökningar eller minskningar av kopplingsstyrkan), tidsberoende inlärningsregler där ordningen av två pulser spelar roll, samt beroende av pulsernas antal och frekvens. Enheten uppvisar också korttidsfacilitering, där en andra puls som kommer strax efter den första ger ett starkare svar, likt en neuron som fortfarande är "förberedd." Tillsammans antyder dessa beteenden att enheten kan stödja rika inlärningsdynamiker direkt i hårdvara, utan ständig dataförflyttning till ett separat minne.

Att lära en enhet att "associera" och tolka mönster

För att illustrera mer komplexa funktioner återskapade forskarna Pavlovs berömda betingningsexperiment i elektronisk form. De använde en svag “neutral” puls och en starkare “meningsfull” puls som ställföreträdare för en klocka och mat. Inledningsvis gav endast den starka pulsen ett stort ström svar, men efter att ha applicerat båda tillsammans upprepade gånger utlöste den svaga pulsen ensam ett starkare svar, vilket visar associativ inlärning. Samma enhet kunde skilja mellan korta och långa pulser som olika strömnivåer, vilket gjorde det möjligt att känna igen Morsekodsekvenser som tidsmässiga mönster. Genom att omvandla uppmätta enhetsegenskaper till mjukvarumodeller testade teamet sedan hur bra dessa memristorliknande synapser skulle prestera i artificiella neurala nätverk. Med både ett flerskiktsperceptron och ett konvolutionellt neuralt nätverk uppnådde de noggrann klassificering av bilder från det välkända CIFAR-10-datasetet, vilket indikerar att det observerade enhetsbeteendet är lämpat för praktisk neuromorf beräkning.

Vad detta betyder för framtida AI-hårdvara

Enkelt uttryckt visar denna studie att en enkel, lösningsbearbetad stapel av MoTe2-flagor i ett polymerbindemedel kan fungera som en stabil, ställbar elektronisk synaps. Den växlar pålitligt mellan PÅ- och AV-lägen genom en reversibel silverfilament, bevarar sitt minne under lång tid och stödjer en rad hjärnliknande inlärningsregler — från grundläggande förstärkning och försvagning av kopplingar till associativ inlärning och tidsmässig mönsterigenkänning. När dessa beteenden översätts till neurala nätverksmodeller kan de utgöra grunden för effektiva bildigenkänningssystem. Trots praktiska utmaningar — såsom att förhindra oönskad filamenttillväxt och skydda polymeren — pekar arbetet mot lågkostnads, energieffektiva chip där minne och beräkning är tätt sammanlänkade och förflyttar vardagselektronik ett steg närmare hur våra hjärnor bearbetar information.

Citering: Bhunia, R., Jana, R., Saraswati, A. et al. MoTe₂-based synaptic-bridge memristor for brain-inspired computing: neuromorphic performance evaluation using MLP-CNN frameworks. npj 2D Mater Appl 10, 45 (2026). https://doi.org/10.1038/s41699-026-00682-5

Nyckelord: neuromorf beräkning, memristor, MoTe2, konstgjord synaps, beräkning i minnet