Dinámica caótica en los memristores NbO₂ Mott para la computación analógica

Área de la Ciencia:

• Ciencias de los materiales
• Neurociencia computacional
• Dinámica no lineal

Sus antecedentes:

• Los modelos actuales de aprendizaje automático utilizan modelos simplificados de neuronas que carecen de complejidad biológica.
• Las neuronas biológicas operan cerca del 'borde del caos', crucial para la computación cerebral, el aprendizaje y la capacidad de adaptación.
• Los métodos existentes para simular dinámicas caóticas en redes neuronales a menudo se basan en circuitos de transistores complejos.

Objetivo del estudio:

• Realizar experimentalmente dinámicas caóticas controlables en un solo dispositivo electrónico escalable.
• Investigar el potencial de estos elementos caóticos en los sistemas computacionales inspirados en las neuronas.
• Para demostrar un rendimiento computacional mejorado utilizando estos dispositivos en una red Hopfield.

Principales métodos:

• Fabricación de memristores Mott de dióxido de niobio (NbO2) a nanoescala que exhiben transporte no lineal y transiciones Mott.
• Incorporación de memristores NbO2 en un circuito de oscilador de relajación.
• Observación y análisis de las autooscillaciones periódicas y caóticas sintonizables generadas por los memristores.
• Integración de los memristores en una red de computación Hopfield.

Principales resultados:

• Los memristores NbO2 Mott muestran una resistencia diferencial negativa tanto controlada por corriente como por temperatura.
• El transporte de corriente no lineal y las fluctuaciones térmicas a nanoescala generan oscilaciones caóticas sintonizables.
• La incorporación de estos memristores en una red Hopfield mejora significativamente la eficiencia y la precisión de la convergencia para problemas difíciles.

Conclusiones:

• Los dispositivos electrónicos escalables que exhiben caos controlable ahora se realizan experimentalmente utilizando memristores NbO2 Mott.
• Estos memristores ofrecen un camino para desarrollar arquitecturas informáticas más sofisticadas inspiradas en neuronas.
• La dinámica caótica generada por estos dispositivos puede evitar la sincronización y ayudar a resolver problemas complejos de optimización.