Precis som deras biologiska motsvarigheter, hårdvara som efterliknar hjärnans neurala kretsar kräver byggstenar som kan justera hur de synapserar, med vissa kopplingar som stärks på bekostnad av andra. Ett sådant tillvägagångssätt, kallade memristors, använder nuvarande motstånd för att lagra denna information. Nytt arbete ser ut att övervinna tillförlitlighetsproblem i dessa enheter genom att skala memristorer till atomnivå.

En grupp forskare demonstrerade en ny typ av sammansatt synaps som kan uppnå synaptisk viktprogrammering och genomföra vektor-matrismultiplikation med betydande framsteg över nuvarande teknik. Publicera sitt arbete i Journal of Applied Physics , gruppens sammansatta synaps är konstruerad med atomiskt tunna bornitridmemristorer som löper parallellt för att säkerställa effektivitet och noggrannhet.

Artikeln visas i ett särskilt ämnesavsnitt i tidskriften som ägnas åt "New Physics and Materials for Neuromorphic Computation, "som belyser ny utveckling inom fysisk och materialvetenskaplig forskning som lovar att utveckla den mycket stora, integrerade "neuromorfa" morgondagens system som kommer att bära beräkning bortom begränsningarna för nuvarande halvledare idag.

"Det finns ett stort intresse för att använda nya typer av material för memristors, "sa Ivan Sanchez Esqueda, en författare på tidningen. "Det vi visar är att filamentära enheter kan fungera bra för neuromorfa datatillämpningar, när de är konstruerade på nya smarta sätt. "

Nuvarande memristor -teknik lider av en stor variation i hur signaler lagras och läses över enheter, både för olika typer av memristorer såväl som olika körningar av samma memristor. För att övervinna detta, forskarna körde flera memristors parallellt. Den kombinerade utmatningen kan uppnå exakta upp till fem gånger de för konventionella enheter, en fördel att föreningar som anordningar blir mer komplexa.

Valet att gå till subnanometernivån, Sanchez sa, föddes av ett intresse för att hålla alla dessa parallella memristorer energieffektiva. En grupp av gruppens memristors befanns vara 10, 000 gånger mer energieffektiv än memristors för närvarande.

"Det visar sig om du börjar öka antalet enheter parallellt, du kan se stora fördelar i noggrannhet samtidigt som du sparar ström, "Sade Sanchez. Sanchez sa att laget nästa gång ser ut att ytterligare visa potentialen i sammansatta synapser genom att demonstrera deras användning för att slutföra allt mer komplexa uppgifter, som bild- och mönsterigenkänning.