Sinapsis artificiales lineales y simétricas impulsadas por enlaces de hidrógeno para una computación neuromórfica...

Área de la Ciencia:

• Ciencias de los materiales
• La neurociencia
• Ingeniería informática

Sus antecedentes:

• La computación neuromórfica tiene como objetivo superar el cuello de botella de von Neumann imitando las funciones cerebrales.
• Las sinapsis artificiales son componentes clave, pero las perovskitas halogenadas sufren de inestabilidad y características no lineales.
• Las sinapsis artificiales existentes muestran migración estocástica de iones e inestabilidad térmica, lo que dificulta el aprendizaje y la inferencia.

Objetivo del estudio:

• Desarrollar una estrategia de estabilización para las sinapsis artificiales.
• Mejorar la linealidad, simetría y confiabilidad de las sinapsis artificiales para la computación neuromórfica.
• Para demostrar el potencial de las sinapsis artificiales estabilizadas en la clasificación de imágenes a gran escala.

Principales métodos:

• La ingeniería de interfaz utiliza alcohol polivinílico (PVA) y enlaces de hidrógeno.
• Cálculos de la teoría funcional de la densidad (DFT) y caracterización experimental.
• Integración de sinapsis artificiales estabilizadas en una red neuronal para la clasificación de imágenes.

Principales resultados:

• El PVA forma enlaces O-H·I- estables, promoviendo el ordenamiento vertical de la celosía y la migración direccional de iones.
• Se logra una modulación de conductividad altamente lineal y simétrica (αp = 0,004, αd = 0,020).
• Se demostró una reducción de ocho veces en la densidad de la trampa interfacial y la retención a alta temperatura (> 10^4 s).
• La integración de la red neuronal logró una precisión de clasificación de imágenes dentro del 1,62% del límite teórico.

Conclusiones:

• La estrategia de ingeniería de interfaz basada en PVA estabiliza efectivamente las sinapsis artificiales CsPbI3.
• Este enfoque supera las limitaciones de la migración estocástica de iones y la inestabilidad térmica.
• Las sinapsis artificiales estabilizadas muestran un potencial significativo para la IA de vanguardia, los sistemas autónomos y el modelado cognitivo.