PdNeuRAM: forming-fri, flernivå Pd/HfO2 ReRAM för energieffektiv neuromorfisk databehandling

Smartare chip för en värld av smarta enheter

Från röstassistenter till självkörande bilar förlitar sig moderna prylar på datorer som är snabba men energikrävande. När vi packar mer intelligens i telefoner, sensorer och robotar har dagens processorer svårt att hänga med utan att tömma batterier eller överhettas. Denna studie undersöker en ny typ av liten elektronisk minneskomponent som beter sig lite som en hjärnsynaps, med målet att göra framtida artificiell intelligens-hårdvara avsevärt mer energieffektiv.

Varför hjärnliknande databehandling behöver ny hårdvara

Många moderna AI-system bygger på ett koncept som kallas computing in memory, där information både lagras och bearbetas på samma fysiska plats. Det minskar tiden och energin som går åt att flytta data fram och tillbaka. En ledande kandidat för dessa minnesceller är resistiv slumpminne (ReRAM), som kan bevara olika resistansnivåer även när strömmen är avstängd. Men de flesta ReRAM-enheter behöver ett initialt högspänningssteg, en så kallad “forming”-process, för att slå igenom ledande banor i materialet. Det steget slösar energi, stressar enheten och försvårar tillverkningen, vilket begränsar användbarheten i stora, lågenergi AI-chip.

Att designa en liten strömbrytare utan hård start

Forskarna utvecklade en ny ReRAM-cell som de kallar PdNeuRAM, uppbyggd av ett ultratunt lager hafniumoxid insprängt mellan lager av palladium och titan. Noggrann mikroskopi visade att palladiumatomer tränger lite in i oxiden vid gränsytan, där de drar till sig syreatomer och lämnar efter sig många små defekter. Istället för att behöva ett våldsamt elektriskt formingsteg för att skapa en enda tjock ledande filament, har detta konstruerade gränsskikt naturligt ett tätt nätverk av skonsamma, grunda defektställen. Som en följd kan enheten växla mellan resistanslägen vid mycket lägre spänningar och utan den hårda förbehandlingen som typisk ReRAM kräver.

Ställa in många nyanser av ledningsförmåga

Elektriska tester visade att dessa PdNeuRAM-celler kan justera sin resistans smidigt över flera nivåer snarare än att bara växla mellan enkla ”på” och ”av”-tillstånd. Genom att ändra pulsarnas storlek och varaktighet kunde teamet på ett tillförlitligt sätt programmera minst åtta distinkta resistansnivåer i en enda cell. Dessa nivåer förblev stabila över tiotusentals läsoperationer och växlingscykler. Analys av strömmens väg antydde att vid lägre styrkor leder enheten via ett utbrett nätverk av grunda fångstställen, medan starkare programmeringspulser gradvis förtjockar de ledande banorna och utvidgar det användbara resistansområdet utan att förlora fin kontroll.

Från enskilda enheter till spikande neurala nätverk

För att se hur denna nya cell beter sig i en realistisk miljö modellerade teamet korsbar-arrayer av PdNeuRAM och jämförde dem med mer konventionell platina-baserad ReRAM. De använde dessa arrayer som synapser i två spikande neurala nätverk som känner igen mönster från eventbaserade visions-dataset, inklusive rörliga handskrivna siffror och mänskliga gester. I dessa nätverk bärs information av kortvariga elektriska spikar snarare än kontinuerliga signaler, mer likt verkliga neuroner. Forskarna mappade varje digital vikt i nätverket på flera flernivå ReRAM-celler och simulerade sedan hur mycket energi som krävdes för att skriva och läsa dessa vikter under inlärning och igenkänning.

Spara energi utan att offra noggrannhet

De spikande neurala nätverk som byggdes med PdNeuRAM uppnådde noggrannheter som liknade de som använde de tidigare platina-baserade enheterna, och identifierade korrekt de flesta siffror och gester i testuppsättningarna. Tack vare deras högre naturliga resistans och forming-fria drift förbrukade dock palladiumcellerna avsevärt mindre energi. Över ett helt nätverk minskade energin som krävdes för att programmera synaptiska vikter med ungefär 43 procent, medan energin som krävdes för att läsa dem under inferens sjönk med cirka 38 procent. Denna minskning uppstår eftersom det skonsamma, distribuerade defektnätverket i PdNeuRAM undviker tjocka, mycket ledande filament, vilket begränsar onödig ström både vid skriv- och läsoperationer.

Vad detta betyder för vardagsteknik

Enkelt uttryckt visar studien hur subtila förändringar i atomskala kan förvandla en energikrävande minneskomponent till en skonsam, finjusterbar elektronisk synaps. Genom att omforma hur syre- och metallatomer ordnar sig i några miljondels millimeter tjocka lager skapade teamet en enhet som inte längre behöver en energikrävande ”uppstart”, men ändå erbjuder många stabila resistansnivåer för hjärnliknande databehandling. Om dessa forming-fria, flernivå ReRAM-celler skalas upp och förfinas kan de bidra till att driva framtida AI-hårdvara som får plats i små sensorer, mobila prylar och edge-enheter samtidigt som de använder mycket mindre energi än dagens chip.

Citering: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

Nyckelord: neuromorfisk databehandling, ReRAM, hafniumoxid, spikande neurala nätverk, lågenergi-AI-hårdvara