Dans un article publié en Nano , les chercheurs étudient le rôle des memristors dans le calcul neuromorphique. Ce nouveau composant électronique fondamental prend en charge le clonage de systèmes bioneuraux à faible coût et puissance.

Les systèmes informatiques contemporains sont incapables de relever les défis critiques de la réduction de la taille et de la vitesse de calcul à l'ère du big data. Le goulot d'étranglement de Von Neumann est considéré comme un obstacle au transfert de données via le bus reliant le processeur et la cellule mémoire. Cela donne l'opportunité de créer des architectures alternatives basées sur un modèle de neurone biologique. L'informatique neuromorphique est l'une de ces architectures alternatives qui imitent les architectures cérébrales neurobiologiques.

Le système cérébral neural humanoïde comprend environ 100 milliards de neurones et de nombreuses synapses de connectivité. Un dispositif de circuit efficace est donc essentiel pour la construction d'un réseau de neurones qui imite le cerveau humain. Le développement d'un composant électrique de base, le memristor, avec plusieurs caractéristiques distinctives telles que l'évolutivité, traitement en mémoire et compatibilité CMOS, a considérablement facilité la mise en œuvre du matériel de réseau neuronal.

Le memristor a été présenté comme une "résistance de type mémoire" où l'arrière-plan des entrées appliquées modifierait l'état de résistance de l'appareil. Il s'agit d'un composant électronique capable de mémoriser le courant afin de réduire efficacement la taille de l'appareil et d'augmenter la vitesse de traitement dans les réseaux de neurones. Calculs parallèles, comme dans le système nerveux humain, sont réalisés avec le support de dispositifs memristor dans une nouvelle architecture informatique.

L'instabilité et l'incertitude du système ont été décrites comme des problèmes actuels pour la plupart des applications basées sur la mémoire. C'est le contraire du processus biologique. Malgré le bruit, non-linéarité, variabilité et volatilité, les systèmes biologiques fonctionnent bien. C'est encore flou, cependant, que l'efficacité des systèmes biologiques dépend en réalité de ces obstacles. La modélisation neuronale est parfois évitée car elle n'est pas facile à modéliser et à étudier. La possibilité d'exploiter ces propriétés est donc, bien sûr, un chemin critique vers le succès dans la réalisation de systèmes artificiels et biologiques.