MoTe2 tabanlı sinaptik-köprü memristörle beyin esinli hesaplama: MLP-CNN çerçeveleri kullanılarak nöromorfik performans değerlendirmesi

Neden Küçük Elektronik “Sinapslar” Önemli?

Telefonlarımız ve bilgisayarlarımız daha akıllı hale geliyor, ancak hâlâ bellek ile işlemci arasında veri taşımaya çok fazla enerji harcıyorlar. Buna karşın insan beyni bilgiyi aynı yerde depolar ve işler; bunun için enerji açısından verimli çok sayıda sinaps ağını kullanır. Bu makale, MoTe2 adlı katmanlı bir kristalin yaygın bir polimerle karıştırılmasıyla yapılan, biyolojik bir sinapsa benzeyen ve geleceğin yapay zekâ donanımını destekleyebilecek yeni tür küçük bir elektronik bileşeni araştırıyor.

Yeni Tip Bir Anahtar İnşa Etmek

Bu çalışmanın merkezinde memristör adı verilen, elektriksel direnci değiştirilebilen ve güç kapalıyken bile bellekte tutulabilen iki terminalli bir bileşen var. Araştırmacılar, MoTe2 parçacıklarının polivinil alkol (PVA) ile karıştırıldığı ince bir filmi alttaki indiyum kalay oksit (ITO) elektrodu ile üstteki gümüş elektrot arasına sıkıştırarak bir memristör oluşturdu. MoTe2, dikkatle büyütülmüş yüksek kaliteli tek kristallerden elde ediliyor, ardından çok katmanlı pullara soyularak PVA içinde dağılacak şekilde hazırlanıyor; böylece akım için bağlantılı ancak kontrollü bir ağ oluşuyor. Mikroskopi ve spektroskopi ölçümleri MoTe2’nin temiz kimyasal bağlanma ile kararlı kristal formunu koruduğunu doğrularken, bileşik filmin cihaz alanı boyunca yaklaşık 100 nanometre kalınlığında ve homojen olduğu gösterildi.

Aygıt Nasıl Hatırlar?

Bir gerilim uygulandığında, üst elektrottan gelen gümüş atomları iyon olarak MoTe2‑PVA katmanına göç edebilir ve iki elektrodu birbirine bağlayan ince bir metalik filament oluşturabilir. Bu filament düşük dirençli bir yol yaratarak AÇIK (ON) durumu temsil eder. Gerilimin tersine çevrilmesi filamentin çözülmesine veya incelmesine neden olarak cihazı KAPALI (OFF) yüksek dirençli duruma döndürür. Yazarlar, doğru MoTe2:PVA karışım oranını (3:1) seçmenin kritik olduğunu gösteriyor: çok fazla polimer iletken yolları parçalarken, çok fazla MoTe2 cihazın kontrolünü zorlaştırıyor. Optimum karışımla cihaz, zıt gerilim kutuplarıyla en az 125 döngü boyunca AÇIK ve KAPALI arasında stabil “bipolar” anahtarlama gösteriyor; gerekli voltajlarda küçük değişkenlik ve binlerce saniye boyunca iyi veri tutma sağlanıyor.

Basit Hafızadan Beyin Benzeri Öğrenmeye

İletkenliği elektriksel darbelerle kademeli olarak ayarlanabildiği için MoTe2 memristör, biyolojik sinapsların aktiviteyle nasıl güçlendiğini veya zayıfladığını taklit edebilir. Araştırma ekibi, kısa gerilim darbeleri dizileri uygulayarak ana sinaptik davranışların elektronik benzerlerini gösterdi: uzun süreli potansiyasyon ve depresyon (bağlantı gücünde kalıcı artışlar veya azalmalar), iki darbenin sırasının önemli olduğu zaman bağımlı öğrenme kuralları ve darbe sayısı ile hızına bağlılık. Cihaz ayrıca kısa süreli kolaylaştırma gösteriyor; ilk darbeyi hemen izleyen ikinci darbe daha güçlü bir yanıt üretiyor, tıpkı hâlâ “hazırlanmış” bir nöron gibi. Bu davranışların tümü, cihazın ayrı bir belleğe sürekli veri taşıma gerektirmeden doğrudan donanımda zengin öğrenme dinamiklerini destekleyebileceğini gösteriyor.

Bir Cihazı “İlişkilendirmeye” ve Desenleri Okumaya Öğretmek

Daha karmaşık işlevleri göstermek için araştırmacılar Pavlov’un ünlü koşullanma deneyini elektronik biçimde yeniden yarattı. Bir zil ve yiyeceğin temsili olarak zayıf bir “nötr” darbe ile daha güçlü bir “anlamlı” darbe kullandılar. Başlangıçta sadece güçlü darbe büyük bir akım yanıtı üretiyordu, ancak her ikisi birlikte tekrar tekrar uygulandıktan sonra zayıf darbe tek başına daha güçlü bir yanıt tetikledi; bu ilişiksel öğrenmeyi gösterir. Aynı cihaz kısa ve uzun darbeleri farklı akım seviyeleri olarak ayırt edebildi; bu da zaman içinde Morse kodu dizilerini desen olarak tanımasına izin verdi. Ölçülen cihaz özelliklerini yazılım modellerine dönüştürerek ekip, bu memristör‑benzeri sinapsların yapay sinir ağlarında nasıl performans göstereceğini test etti. Çok katmanlı algılayıcı (MLP) ve konvolüsyonel sinir ağı (CNN) kullanarak, yaygın olarak kullanılan CIFAR‑10 veri kümesindeki görüntülerin doğru sınıflandırılmasında başarılı oldular; bu da gözlemlenen cihaz davranışının pratik nöromorfik hesaplama için uygun olduğunu gösteriyor.

Geleceğin Yapay Zekâ Donanımı İçin Anlamı

Düz bir ifadeyle bu çalışma, bir polimer bağlayıcı içindeki MoTe2 pullarından oluşan basit, çözelti ile işlenen bir yığının kararlı, ayarlanabilir bir elektronik sinaps olarak işlev görebileceğini gösteriyor. Geriye dönülebilir bir gümüş filament aracılığıyla güvenilir şekilde AÇIK ve KAPALI arasında geçiş yapıyor, belleğini uzun süre koruyor ve bağlantıların temel güçlendirilmesi ve zayıflatılmasından ilişiksel öğrenme ve zaman içindeki desen tanımaya kadar çeşitli beyin‑benzeri öğrenme kurallarını destekliyor. Bu davranışlar sinir ağı modellerine çevrildiğinde etkili görüntü tanıma sistemlerinin temeli olabilir. İstenmeyen filament büyümesini önlemek ve polimeri korumak gibi pratik zorluklar sürse de, çalışma bellek ile hesaplamanın sıkı şekilde iç içe geçtiği, düşük maliyetli ve enerji verimli çiplere doğru bir yolu işaret ediyor; bu da günlük elektroniği beynimizin bilgi işleme biçimine bir adım daha yaklaştırıyor.

Atıf: 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

Anahtar kelimeler: nöromorfik hesaplama, memristör, MoTe2, yapay sinaps, hafıza-içinde hesaplama