Des chercheurs de l'Institut de physique et de technologie de Moscou ont créé un appareil qui agit comme une synapse dans le cerveau vivant, stocker des informations et les oublier progressivement lorsqu'elles ne sont pas consultées pendant une longue période. Connu sous le nom de memristor de second ordre, le nouveau dispositif est basé sur l'oxyde d'hafnium et offre des perspectives pour la conception de neuro-ordinateurs analogiques imitant la façon dont un cerveau biologique apprend. Les résultats sont rapportés dans Matériaux et interfaces appliqués ACS .

Neuroordinateurs, qui permettent l'intelligence artificielle, imiter la fonction cérébrale. Les cerveaux stockent des données sous forme de synapses, un réseau de connexions entre les neurones. La plupart des neuro-ordinateurs ont une architecture numérique conventionnelle et utilisent des modèles mathématiques pour invoquer des neurones et des synapses virtuels.

Alternativement, un véritable composant électronique sur puce pourrait représenter chaque neurone et synapse du réseau. Cette approche dite analogique a le potentiel d'accélérer considérablement les calculs et de réduire les coûts énergétiques.

Le composant central d'un hypothétique neuro-ordinateur analogique est le memristor. Le mot est un portemanteau de "mémoire" et "résistance, " qui résume à peu près ce que c'est :une cellule mémoire agissant comme une résistance. En gros, une résistance élevée code un zéro, et une faible résistance encode un. Ceci est analogue à la façon dont une synapse conduit un signal entre deux neurones (un), alors que l'absence de synapse n'entraîne aucun signal, un zéro.

Mais il y a un hic :dans un vrai cerveau, les synapses actives ont tendance à se renforcer avec le temps, alors que l'inverse est vrai pour les inactifs. Ce phénomène, connue sous le nom de plasticité synaptique, est l'un des fondements de l'apprentissage naturel et de la mémoire. Il explique la biologie du bachotage pour un examen et pourquoi nos souvenirs rarement consultés s'estompent.

Proposé en 2015, le memristor de second ordre est une tentative de reproduction de la mémoire naturelle, complète avec la plasticité synaptique. Le premier mécanisme de mise en œuvre consiste à former des ponts conducteurs de taille nanométrique à travers le memristor. Tout en diminuant initialement la résistance, ils se dégradent naturellement avec le temps, imiter l'oubli.

"Le problème avec cette solution est que l'appareil a tendance à changer de comportement dans le temps et tombe en panne après un fonctionnement prolongé, " a déclaré l'auteur principal de l'étude, Anastasia Chouprik du laboratoire de systèmes de neuroinformatique du MIPT. "Le mécanisme que nous avons utilisé pour mettre en œuvre la plasticité synaptique est plus robuste. En fait, après avoir changé l'état du système 100 milliards de fois, il fonctionnait toujours normalement, mes collègues ont donc arrêté le test d'endurance."

Au lieu de nanoponts, l'équipe du MIPT s'est appuyée sur l'oxyde d'hafnium pour imiter la mémoire naturelle. Ce matériau est ferroélectrique :Sa distribution de charge liée interne, la polarisation électrique, changements en réponse à un champ électrique externe. Si le champ est ensuite supprimé, le matériau conserve sa polarisation acquise, la façon dont un ferromagnétique reste magnétisé.

Les physiciens ont implémenté leur memristor de second ordre sous la forme d'une jonction tunnel ferroélectrique :deux électrodes intercalées avec un mince film d'oxyde d'hafnium (fig. 1). L'appareil peut être commuté entre ses états de résistance faible et élevée au moyen d'impulsions électriques, qui modifient la polarisation du film ferroélectrique et donc sa résistance.

« Le principal défi auquel nous avons été confrontés était de déterminer la bonne épaisseur de couche ferroélectrique, " ajouta Chouprik. " Quatre nanomètres se sont avérés idéaux. Faites-le juste un nanomètre plus fin, et les propriétés ferroélectriques ont disparu, tandis qu'un film plus épais est une barrière trop large pour que les électrons passent à travers. Et ce n'est que le courant tunnel que nous pouvons moduler en commutant la polarisation."

Ce qui donne à l'oxyde d'hafnium un avantage sur les autres matériaux ferroélectriques, comme le titanate de baryum, est qu'il est déjà utilisé par la technologie silicium actuelle. Par exemple, Intel fabrique des puces à base d'un composé d'hafnium depuis 2007. Cela rend l'introduction de dispositifs à base d'hafnium comme le memristor rapporté dans cette histoire beaucoup plus facile et moins cher que ceux utilisant un tout nouveau matériau.

Dans un exploit d'ingéniosité, les chercheurs ont mis en œuvre "l'oubli" en exploitant les défauts à l'interface entre le silicium et l'oxyde d'hafnium. Ces imperfections mêmes étaient autrefois considérées comme un préjudice pour les microprocesseurs à base d'hafnium, et les ingénieurs ont dû trouver un moyen de les contourner en incorporant d'autres éléments dans le composé. Au lieu, l'équipe MIPT a exploité les défauts, qui font disparaître la conductivité des memristors avec le temps, comme des souvenirs naturels.

Vitalii Mikheev, le premier auteur de l'article, a partagé les projets futurs de l'équipe :« Nous allons étudier l'interaction entre les différents mécanismes de commutation de la résistance dans notre memristor. Il s'avère que l'effet ferroélectrique n'est peut-être pas le seul impliqué. Pour améliorer encore les appareils, nous devrons distinguer les mécanismes et apprendre à les combiner. »

Selon les physiciens, ils vont poursuivre les recherches fondamentales sur les propriétés de l'oxyde d'hafnium pour fiabiliser les cellules de mémoire vive non volatile. L'équipe étudie également la possibilité de transférer leurs appareils sur un substrat flexible, pour une utilisation dans l'électronique flexible.

L'année dernière, les chercheurs ont fourni une description détaillée de la façon dont l'application d'un champ électrique aux films d'oxyde d'hafnium affecte leur polarisation. C'est ce procédé même qui permet de réduire la résistance des memristors ferroélectriques, qui émule le renforcement des synapses dans un cerveau biologique. L'équipe travaille également sur des systèmes de calcul neuromorphiques à architecture numérique.