A Non-Monotonic Reconfigurable Neural Unit with Dynamic Integration Control for Advanced Neuromorphic Computing

Resumen Técnico: Una Unidad Neuronal Reconfigurable No Monotónica con Control de Integración Dinámica

Planteamiento del Problema
Las implementaciones actuales de hardware neuromórfico enfrentan limitaciones fundamentales para emular la dinámica rica y adaptativa de los sistemas neuronales biológicos. La mayoría de las neuronas artificiales existentes dependen de funciones de activación monotónicas fijas y carecen de la capacidad de controlar dinámicamente los procesos de integración temporal. Específicamente, no logran reproducir mecanismos biológicos como la inhibición lateral (que crea "regiones silenciosas" selectivas de características para suprimir rangos específicos de entrada) y la modulación dependiente del contexto de los umbrales de disparo. Además, las arquitecturas de dispositivos existentes suelen integrar la dinámica de disparo y de integración de fuga (LIF, por sus siglas en inglés) en un solo canal activo, lo que crea un compromiso donde el ajuste de una función compromete la otra.

Metodología
Para abordar estas restricciones, los autores proponen una Unidad Neuronal Reconfigurable (RNU, por sus siglas en inglés) basada en una heteroestructura de van der Waals que desacopla las funciones neuronales en dos componentes especializados:

1. Memristor Volátil (Ag/h-BN/grafeno): Este componente sirve como el núcleo para la dinámica LIF, proporcionando el conmutado volátil necesario para el disparo neuronal y el comportamiento de auto-reinicio.
2. Transistor Sináptico Ambipolar (MoTe2/h-BN): Este componente se conecta en serie con el memristor para permitir una sofisticada modulación del disparo.

La arquitectura del dispositivo aprovecha las propiedades únicas del canal de MoTe2:

• Respuesta No Monotónica: Mediante la aplicación de sesgos de puerta, la conductancia del canal de MoTe2 se modula. Debido a su naturaleza ambipolar, el transistor exhibe un punto de conductancia mínima. Cuando el sesgo de puerta está cerca de este mínimo, el transistor entra en un estado de alta resistencia, suprimiendo el voltaje a través del memristor y creando una "región silenciosa" donde el disparo es inhibido. A medida que el sesgo de puerta se aleja de este punto en cualquiera de las direcciones, la conductancia aumenta, permitiendo que el disparo se reanude. Esto resulta en una respuesta de disparo no monotónica en forma de U.
• Reconfiguración Dinámica: La posición de esta región silenciosa en el eje del sesgo de puerta es dinámicamente reconfigurable mediante el dopaje asistido por luz ultravioleta (UV). La iluminación UV (365 nm o 254 nm) combinada con sesgos de puerta específicos induce un dopaje de tipo n o tipo p en el canal de MoTe2, desplazando permanentemente el mínimo de conductancia y, por lo tanto, reconfigurando la ventana operativa de la RNU.
• Control Inhibitorio: El terminal de puerta del transistor funciona como una entrada dedicada para los pulsos inhibitorios, permitiendo un control espaciotemporal preciso sobre la ventana de integración y la dinámica de disparo.

Contribuciones Clave

• Arquitectura de Dispositivo: La fabricación y caracterización exitosa de una RNU de doble componente que separa físicamente el ajuste sináptico (transistor) de la dinámica de disparo (memristor), superando las limitaciones de los diseños de canal único.
• Excitabilidad No Monotónica: Demostración de una respuesta de disparo en forma de U con una región silenciosa central, imitando la inhibición lateral biológica y permitiendo la supresión selectiva de características.
• Ajustabilidad Adaptativa: Prueba de concepto para la reconfiguración no volátil asistida por UV de la función de transferencia neuronal, permitiendo que la "región silenciosa" se desplace para adaptarse a diferentes tareas de computación.
• Vía Inhibitoria: Implementación de un mecanismo de inhibición feedforward donde el terminal de puerta modula directamente la integración temporal, truncando las ventanas de integración para suprimir el disparo.

Resultados

• Caracterización del Dispositivo:
  • El transistor MoTe2/h-BN demostró un comportamiento ambipolar equilibrado con una relación on/off de $10^5$ y una corriente de drenaje mínima de 12.929 pA.
  • El dopaje por UV desplazó con éxito el mínimo de conductancia de 2 V (intrínseco) a -10 V (tipo n) y +22 V (tipo p).
  • El memristor de Ag/h-BN/grafeno exhibió un conmutado volátil reproducible con un voltaje de umbral de 0.18 V y una baja corriente de fuga (1 pA).
  • La RNU integrada logró un consumo de potencia promedio de 0.04 nW por evento de disparo.
• Dinámica Neuronal:
  • La RNU exhibió un comportamiento LIF dependiente de la amplitud y un perfil de disparo ajustable por la puerta.
  • Las señales de puerta inhibitorias truncaron con éxito las ventanas de integración temporal, suprimiendo el disparo para entradas subsecuentes.
• Rendimiento a Nivel de Sistema:
  • Reconocimiento de Imágenes Estáticas (Fashion-MNIST): Las Redes Neuronales de Impulsos (SNN) equipadas con la dinámica de la RNU alcanzaron una precisión del 90.42%, comparable a las Redes Neuronales Artificiales convencionales (91.62%) y demostrando la transferencia efectiva de la dinámica calibrada del dispositivo a tareas estáticas.
  • Decodificación de EEG Dinámica: En una tarea de decodificación de la imaginación motora de cuatro clases mediante EEG, una SNN controlada por puerta (GCSNN) que incorpora la vía inhibitoria de la RNU alcanzó una precisión del 64.6%. Esto representa una mejora absoluta del 3.5% sobre la línea base de una SNN estándar (61.1%) y una ganancia significativa sobre una línea base convencional de CSP+LDA (45.1%). La GCSNN mostró un rendimiento superior en la distinción de patrones temporales y la reducción de la confusión entre clases.

Significancia
El artículo postula que la RNU proporciona una base compacta, versátil y altamente adaptable para sistemas neuromórficos avanzados. Al emular la responsividad no monotónica biológica y permitir la reconfiguración dinámica de las funciones de transferencia neuronal, la RNU aborda la rigidez del hardware actual. Los autores afirman que esta arquitectura soporta paradigmas computacionalmente más potentes y biológicamente más plausibles, tales como el filtrado sensorial adaptativo y la atención selectiva. Los resultados sugieren que los sistemas basados en RNU son particularmente adecuados para tareas que requieren regulación temporal dinámica y procesamiento de señales biológicas no estacionarias, marcando un paso significativo hacia la realización en hardware de una inteligencia artificial verdaderamente adaptativa.