Investigadores del Instituto de Física y Tecnología de Moscú han creado un dispositivo que actúa como una sinapsis en el cerebro vivo, almacenar información y olvidarla gradualmente cuando no se accede a ella durante un tiempo prolongado. Conocido como memristor de segundo orden, el nuevo dispositivo está basado en óxido de hafnio y ofrece perspectivas para diseñar neurocomputadoras analógicas que imiten la forma en que aprende un cerebro biológico. Los hallazgos se informan en Interfaces y materiales aplicados ACS .

Neurocomputadoras, que permiten la inteligencia artificial, emular la función cerebral. Los cerebros almacenan datos en forma de sinapsis, una red de conexiones entre neuronas. La mayoría de las neurocomputadoras tienen una arquitectura digital convencional y utilizan modelos matemáticos para invocar neuronas y sinapsis virtuales.

Alternativamente, un componente electrónico real en el chip podría representar cada neurona y sinapsis en la red. Este llamado enfoque analógico tiene el potencial de acelerar los cálculos drásticamente y reducir los costos de energía.

El componente central de una neurocomputadora analógica hipotética es el memristor. La palabra es un acrónimo de "memoria" y "resistencia, "que resume bastante bien lo que es:una celda de memoria que actúa como una resistencia. Hablando libremente, alta resistencia codifica un cero, y baja resistencia codifica uno. Esto es análogo a cómo una sinapsis conduce una señal entre dos neuronas (una), mientras que la ausencia de una sinapsis da como resultado que no haya señal, un cero.

Pero hay una trampa:en un cerebro real, las sinapsis activas tienden a fortalecerse con el tiempo, mientras que lo contrario es cierto para los inactivos. Este fenómeno, conocida como plasticidad sináptica, es una de las bases del aprendizaje y la memoria naturales. Explica la biología de abarrotarse para un examen y por qué nuestros recuerdos a los que rara vez se accede se desvanecen.

Propuesto en 2015, el memristor de segundo orden es un intento de reproducir la memoria natural, completo con plasticidad sináptica. El primer mecanismo para implementar esto implica la formación de puentes conductores de tamaño nanométrico a través del memristor. Aunque inicialmente disminuye la resistencia, naturalmente decaen con el tiempo, emulando el olvido.

"El problema con esta solución es que el dispositivo tiende a cambiar su comportamiento con el tiempo y se descompone después de un funcionamiento prolongado, "dijo el autor principal del estudio, Anastasia Chouprik del Laboratorio de Sistemas de Neurocomputación de MIPT. "El mecanismo que usamos para implementar la plasticidad sináptica es más robusto. De hecho, después de cambiar el estado del sistema 100 mil millones de veces, todavía estaba funcionando normalmente, entonces mis colegas detuvieron la prueba de resistencia ".

En lugar de nanopuentes, el equipo de MIPT se basó en el óxido de hafnio para imitar la memoria natural. Este material es ferroeléctrico:su distribución de carga interna ligada, la polarización eléctrica, cambios en respuesta a un campo eléctrico externo. Si luego se quita el campo, el material conserva su polarización adquirida, la forma en que un ferromaimán permanece magnetizado.

Los físicos implementaron su memristor de segundo orden como una unión de túnel ferroeléctrico:dos electrodos entrelazados con una fina película de óxido de hafnio (fig. 1). El dispositivo se puede conmutar entre sus estados de baja y alta resistencia mediante pulsos eléctricos, que cambian la polarización de la película ferroeléctrica y por tanto su resistencia.

"El principal desafío al que nos enfrentamos fue determinar el grosor correcto de la capa ferroeléctrica, "Añadió Chouprik." Cuatro nanómetros demostraron ser ideales. Hágalo solo un nanómetro más delgado, y las propiedades ferroeléctricas se han ido, mientras que una película más gruesa es una barrera demasiado ancha para que los electrones la atraviesen. Y es sólo la corriente de efecto túnel la que podemos modular cambiando la polarización ".

Lo que le da al óxido de hafnio una ventaja sobre otros materiales ferroeléctricos, como el titanato de bario, es que ya lo utiliza la tecnología de silicio actual. Por ejemplo, Intel ha estado fabricando microchips basados ​​en un compuesto de hafnio desde 2007. Esto hace que la introducción de dispositivos basados ​​en hafnio como el memristor reportado en esta historia sea mucho más fácil y económico que aquellos que usan un material nuevo.

En una hazaña de ingenio, los investigadores implementaron el "olvido" aprovechando los defectos en la interfaz entre el silicio y el óxido de hafnio. Esas mismas imperfecciones solían verse como un detrimento de los microprocesadores basados ​​en hafnio, y los ingenieros tuvieron que encontrar una forma de evitarlos incorporando otros elementos al complejo. En lugar de, el equipo de MIPT aprovechó los defectos, que hacen que la conductividad del memristor se apague con el tiempo, como recuerdos naturales.

Vitalii Mikheev, el primer autor del artículo, compartió los planes futuros del equipo:"Vamos a analizar la interacción entre los diversos mecanismos que cambian la resistencia en nuestro memristor. Resulta que el efecto ferroeléctrico puede no ser el único involucrado. Para mejorar aún más los dispositivos, necesitaremos distinguir entre los mecanismos y aprender a combinarlos ".

Según los físicos, continuarán con la investigación fundamental sobre las propiedades del óxido de hafnio para hacer que las células de memoria de acceso aleatorio no volátiles sean más confiables. El equipo también está investigando la posibilidad de transferir sus dispositivos a un sustrato flexible, para uso en electrónica flexible.

El año pasado, los investigadores ofrecieron una descripción detallada de cómo la aplicación de un campo eléctrico a las películas de óxido de hafnio afecta su polarización. Es este mismo proceso el que permite reducir la resistencia del memristor ferroeléctrico, que emula el fortalecimiento de la sinapsis en un cerebro biológico. El equipo también trabaja en sistemas informáticos neuromórficos con arquitectura digital.