🔬 applied physics

Stochastic Dynamics of Diffusive Memristor Blocks for Neuromorphic Computing

यह शोध पत्र संख्यात्मक मॉडलिंग और प्रयोगों के माध्यम से तीन डिफ्यूसिव मेमरिस्टर-आधारित स्पाइकिंग न्यूरॉन्स के सिनैप्टिक अभिसरण (synaptic convergence) की जांच करता है ताकि लक्षित सक्रियण के लिए वोल्टेज संयोजनों की पहचान की जा सके और स्पाइकिंग सांख्यिकी का विश्लेषण किया जा सके, जिससे न्यूरोमॉर्फिक कंप्यूटिंग के लिए सार्वभौमिक कार्यात्मक ब्लॉकों के विकास को आगे बढ़ाया जा सके।

मूल लेखक: Wendy Otieno, Alex Gabbitas, Debi Pattnaik, Pavel Borisov, Sergey Savel'ev, Alexander G. Balanov

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wendy Otieno, Alex Gabbitas, Debi Pattnaik, Pavel Borisov, Sergey Savel'ev, Alexander G. Balanov

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक छोटा, मस्तिष्क जैसा कंप्यूटर बनाने की कोशिश कर रहे हैं। सिलिकॉन चिप्स का उपयोग करने के बजाय जो सख्त "ऑन" और "ऑफ" स्विचों में सोचते हैं, इस शोधकर्ताओं की टीम ने एक ऐसा सर्किट बनाने का निर्णय लिया जो एक जीवित मस्तिष्क की तरह व्यवहार करता है: थोड़ा सा अव्यवस्थित, थोड़ा शोर भरा, और आश्चर्यों से भरा हुआ।

यहाँ उनके काम की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है।

पात्र: तीन "कृत्रिम न्यूरॉन्स"

एक वास्तविक मस्तिष्क में, न्यूरॉन्स (तंत्रिका कोशिकाएं) एक-दूसरे से बात करते हैं। अक्सर, कई न्यूरॉन्स एक एकल न्यूरॉन को संकेत भेजते हैं, जो फिर अपना स्वयं का संकेत भेजने का निर्णय लेता है। इसे सिनैप्टिक कन्वर्जेंस (synaptic convergence) कहा जाता है।

शोधकर्ताओं ने इन तीन "कृत्रिम न्यूरॉन्स" का उपयोग करके इसका एक छोटा इलेक्ट्रॉनिक संस्करण बनाया।

उपकरण: उन्होंने डिफ्यूसिव मेमरिस्टर (diffusive memristors) नामक विशेष इलेक्ट्रॉनिक घटकों का उपयोग किया। इन्हें छोटे, स्मार्ट प्रतिरोधक (resistors) समझें जो इस आधार पर अपना प्रतिरोध (बिजली का प्रवाह कितना कठिन है) बदल सकते हैं कि आप उनके माध्यम से कितना वोल्टेज भेजते हैं।
जादू: मानक कंप्यूटर भागों के विपरीत जो एक समान रहते हैं, ये मेमरिस्टर "वोलेटाइल" (अस्थिर) होते हैं। इनके अंदर, धातु के सूक्ष्म परमाणु (जैसे चांदी) एक बादल की तरह तैरते रहते हैं। जब आप बिजली लागू करते हैं, तो वे एक अस्थायी पुल (फिलामेंट) बनाने के लिए एक साथ आते हैं जो करंट को बहने देता है। जब आप बिजली बंद कर देते हैं, तो वह पुल घुल जाता है। यह उन्हें जैविक सिनैप्स की तरह कार्य करने के योग्य बनाता है, जो स्वयं भी अस्थायी और परिवर्तनशील होते हैं।
सेटअप: उन्होंने दो इन न्यूरॉन्स (न्यूरॉन 1 और न्यूरॉन 2) को तीसरे न्यूरॉन (न्यूरॉन 3) से जोड़ा। न्यूरॉन 1 और 2 इनपुट वोल्टेज (मान लीजिए $V_1$ और $V_2$ ) प्राप्त करते हैं। न्यूरॉन 3 पहले दो की "चैटरिंग" (बातचीत) को सुनता है और तय करता है कि क्या उसे एक स्पाइक (बिजली का विस्फोट) छोड़ना है या शांत रहना है।

प्रयोग: वॉल्यूम ट्यून करना

शोधकर्ताओं ने इनपुट वोल्टेज ( $V_1$ और $V_2$ ) को एक स्टीरियो के वॉल्यूम नॉब की तरह माना। उन्होंने इन नॉब्स को ऊपर और नीचे घुमाया, हजारों अलग-अलग संयोजनों का परीक्षण किया कि क्या होगा।

उन्होंने पूछा: यदि मैं बाएं और दाएं स्पीकर पर वॉल्यूम को इन विशिष्ट स्तरों पर सेट करता हूँ, तो कौन से न्यूरॉन्स "गाना" (स्पाइक करना) शुरू करेंगे?

खोज: व्यवहार का एक मानचित्र

उन्होंने पाया कि सिस्टम का व्यवहार यादृच्छिक अराजकता (random chaos) नहीं था; यह वास्तव में एक संरचित मानचित्र था। वोल्टेज के संयोजन के आधार पर, सिस्टम आठ अलग-अलग "मोड्स" में से एक में गिर जाता है:

मौन (Silence): कोई स्पाइक नहीं करता।
सोलो एक्ट्स (Solo Acts): केवल न्यूरॉन 1 स्पाइक करता है, या केवल न्यूरॉन 2, या केवल न्यूरॉन 3।
डुएट्स (Duets): न्यूरॉन 1 और 2 एक साथ स्पाइक करते हैं, या 1 और 3, या 2 और 3।
ट्रायो (The Trio): तीनों न्यूरॉन्स एक साथ स्पाइक करते हैं।

"शोर" (Noise) का कारक:
वास्तविक मस्तिष्क शोर भरे होते हैं। वहां हमेशा थोड़ा सा स्टैटिक होता है। शोधकर्ताओं ने पाया कि उनके इलेक्ट्रॉनिक न्यूरॉन्स स्वाभाविक रूप से शोर भरे भी थे, जो मेमरिस्टर्स के भीतर धातु के परमाणुओं की यादृच्छिक गति के कारण था।

कम शोर (Low Noise): सिस्टम बहुत चयनात्मक था। यह केवल तभी स्पाइक करता था जब वोल्टेज बिल्कुल सही हो।
उच्च शोर (High Noise): सिस्टम अधिक "उदार" हो गया। यादृच्छिक उतार-चढ़ाव ने न्यूरॉन्स को तब भी फायर करने में मदद की जब वोल्टेज थोड़ा कम था। यह बिल्कुल वैसा ही है जैसे कमरे में थोड़ा सा बैकग्राउंड शोर वास्तव में आपकी संवेदनशीलता को ट्रिगर करके आपको फुसफुसाहट सुनने में मदद कर सकता है।

यह क्या कर सकता है? ("ब्रेन मैथ")

शोधकर्ताओं ने दिखाया कि यह सरल तीन-न्यूरॉन ब्लॉक एक जटिल प्रोसेसर की आवश्यकता के बिना बुनियादी मस्तिष्क जैसी गणनाएं कर सकता है।

1. द कंपैरेटर (तुलना करने वाला - "द जज"):
कल्पना कीजिए कि आपके पास दो संख्याएँ हैं, $V_1$ और $V_2$ । आप जानना चाहते हैं कि कौन सी बड़ी है, या क्या वे दोनों छोटी हैं, या दोनों बड़ी हैं।

यदि $V_1$ तेज़ है और $V_2$ शांत है, तो सिस्टम एक तरह से प्रतिक्रिया करता है।
यदि दोनों तेज़ हैं, तो यह दूसरी तरह से प्रतिक्रिया करता है।
स्पाइकिंग के माध्यम से देखकर, आप तुरंत दोनों इनपुट्स के बीच के संबंध को "वर्गीकृत" (classify) कर सकते हैं। यह एक न्यायाधीश की तरह है जो दोनों पक्षों द्वारा प्रस्तुत किए गए तर्कों के आधार पर एक विशिष्ट झंडा उठाता है कि क्या वे बराबर हैं, या एक दूसरे से कहीं अधिक मजबूत है।

2. द लॉजिक गेट (निर्णय लेने वाला):
उन्होंने यह भी दिखाया कि यह सर्किट एक बुनियादी कंप्यूटर लॉजिक गेट (सॉफ्टवेयर के निर्माण खंड) के रूप में कार्य कर सकता है।

AND गेट: यदि आप नियमों को सही ढंग से सेट करते हैं, तो तीसरा न्यूरॉन केवल तभी स्पाइक करेगा जब दोनों इनपुट उच्च हों। (1 + 1 = 1)।
OR गेट: थोड़े अधिक "शोर" के साथ, तीसरा न्यूरॉन तब स्पाइक करेगा जब कोई भी एक इनपुट उच्च हो। (1 + 0 = 1)।

वास्तविक दुनिया का परीक्षण

टीम ने इसे केवल कंप्यूटर पर नहीं चलाया; उन्होंने इसे वास्तविक हार्डवेयर के साथ बनाया।

परिणाम: भौतिक उपकरण बिल्कुल कंप्यूटर सिमुलेशन की तरह व्यवहार किया।
"मेसी" वास्तविकता: वास्तविक दुनिया का मानचित्र कंप्यूटर के पूर्ण मानचित्र की तुलना में थोड़ा अधिक "धुंधला" (fuzzy) था। आप एक बड़ा क्षेत्र देख सकते थे जहाँ न्यूरॉन 1 और 3 स्पाइक करते थे, लेकिन उस क्षेत्र के भीतर, छोटे "द्वीप" थे जहाँ न्यूरॉन 2 यादृच्छिक रूप से शामिल हो जाता था।
क्यों? शोधकर्ताओं ने महसूस किया कि यह धुंधलापन इस तथ्य से आया कि मेमरिस्टर्स के भीतर धातु के फिलामेंट्स लगातार अपना आकार और संरचना बदलते रहते हैं। इस बदलते आकार की नकल करने के लिए अपने कंप्यूटर मॉडल में एक "यादृच्छिक कारक" (randomness factor) जोड़कर, वे बिल्कुल वास्तविक दुनिया के अव्यवस्थित परिणामों से मेल खा सके।

बड़ी तस्वीर

यह पेपर दावा करता है कि इन "शोर भरे", डिफ्यूसिव मेमरिस्टर्स का उपयोग करके, हम भविष्य के कंप्यूटरों के लिए छोटे, सार्वभौमिक निर्माण खंड बना सकते हैं। ये ब्लॉक केवल संख्याओं की गणना नहीं करते; वे संकेतों की तुलना करते हैं और निर्णय लेते हैं जो जैविक मस्तिष्क सूचना को कैसे संभालते हैं, इसकी नकल करते हैं।

मुख्य बात यह है कि शोर एक बग नहीं है; यह एक फीचर है। ठीक वैसे ही जैसे जैविक मस्तिष्क में, इन इलेक्ट्रॉनिक न्यूरॉन्स में यादृच्छिक उतार-चढ़ाव उन्हें सूचना संसाधित करने, तुलना करने और तर्क (logic) करने में मदद करते हैं, जो कि कठोर, पूर्ण कंप्यूटर चिप्स के लिए करना बहुत कठिन होता।

तकनीकी सारांश: न्यूरोमॉर्फिक कंप्यूटिंग के लिए विसरित मेमरिस्टर ब्लॉक्स की स्टोकेस्टिक डायनेमिक्स

समस्या विवरण
उच्च-ऊर्जा-कुशल आर्टिफिशियल इंटेलिजेंस (AI) हार्डवेयर के विकास के लिए वॉन न्यूमैन आर्किटेक्चर से आगे बढ़कर ऐसे सिस्टम विकसित करने की आवश्यकता है जो मेमोरी और प्रोसेसिंग को एकीकृत करते हों। जबकि डिफ्यूसिव (विसरित) मेमरिस्टर जैविक सिनैप्स (जैसे, सिनैप्टिक प्लास्टिसिटी और वोलेटाइल स्विचिंग) की नकल करने की उनकी क्षमता के कारण न्यूरोमॉर्फिक सर्किट के लिए आशाजनक घटक के रूप में उभरे हैं, एक महत्वपूर्ण अंतराल यह समझने में बना हुआ है कि इन उपकरणों के सरल ब्लॉक विशिष्ट गणनाओं को कैसे करते हैं। विशेष रूप से, वे तंत्र जिनके माध्यम से सिनैप्टिक अभिसरण (synaptic convergence)—एक एकल डाउनस्ट्रीम न्यूरॉन पर कई न्यूरॉन्स से इनपुट का एकीकरण—एक स्टोकेस्टिक, शोर-चालित वातावरण के भीतर कार्य करता है—पूरी तरह से स्पष्ट नहीं हैं। यह कार्य उन विशिष्ट इनपुट स्थितियों की पहचान करने की आवश्यकता को संबोधित करता है जो सरल विसरित मेमरिस्टर से बने न्यूरोमॉर्फिक सर्किट में लक्षित सक्रियण और कम्प्यूटेशनल लॉजिक को सक्षम करती हैं।

कार्यप्रणाली
यह अध्ययन एक तीन-न्यूरॉन सर्किट की जांच करने के लिए प्रयोगात्मक निर्माण, संख्यात्मक मॉडलिंग और सांख्यिकीय विश्लेषण के संयुक्त दृष्टिकोण का उपयोग करता है।

प्रयोगात्मक सेटअप: शोधकर्ताओं ने मैग्नेट्रोन स्पटरिंग और UV फोटोलिथोग्राफी का उपयोग करके तीन समान डिफ्यूसिव मेमरिस्टर (Ag:SiO $_x$ ) का निर्माण किया। इन उपकरणों को एक सर्किट में कॉन्फ़िगर किया गया था जहाँ दो प्री-सिनैप्टिक न्यूरॉन्स (RM $_1$ और RM $_2$ ) बाहरी वोल्टेज इनपुट ( $V_1$ और $V_2$ ) प्राप्त करते हैं और एक पोस्ट-सिनैप्टिक न्यूरॉन (RM $_3$ ) पर अभिसरित होते हैं। प्रत्येक मेमरिस्टर को पियर्सन-एनसन ऑसिलेटर व्यवहार (स्पाइकिंग) को बढ़ावा देने के लिए एक लोड रेसिस्टर के साथ सीरीज में और एक कैपेसिटर के साथ पैरेलल में जोड़ा गया था। सिस्टम को लंबे वोल्टेज पल्स (10 सेकंड ON, 10 सेकंड OFF) के अधीन किया गया था, जिसमें इनपुट वोल्टेज 0 से 3.6 V तक था। स्पाइकिंग व्यवहार को बेसलाइन शोर से 10% अधिक वोल्टेज ऑसिलेशन एम्प्लीट्यूड के आधार पर वर्गीकृत किया गया था।
संख्यात्मक मॉडलिंग: चार्ज ट्रांसपोर्ट मॉडल के लिए स्टोकेस्टिक डिफरेंशियल इक्वेशंस पर आधारित एक मॉडल का उपयोग डायनेमिक्स को सिम्युलेट करने के लिए किया गया था। यह मॉडल एक इलेक्ट्रोकेमिकल पोटेंशियल के भीतर एक धात्विक क्लस्टर की गति को ट्रैक करता है, जो इलेक्ट्रिक फील्ड और रैंडम थर्मल फ्लक्चुएशन (गॉसियन व्हाइट नॉइज़ के माध्यम से मॉडल किया गया) द्वारा संचालित होता है। मॉडल में फिलामेंट टिप के पास नैनो-क्लस्टर्स के स्टोकेस्टिक पुनर्गठन को सिम्युलेट करने के लिए एक रैंडम पैरामीटर $\beta$ शामिल है, जो फिलामेंट निर्माण की नॉन-स्टेशनरी प्रकृति को दर्शाता है।
सांख्यिकीय विश्लेषण: स्पाइकिंग रिजीम्स को मापने के लिए, लेखकों ने इंटर-स्पाइक इंटरवल्स के कोएफिशिएंट ऑफ वेरिएशन (CV $_1$ ) और लोकल वेरिएबिलिटी (CV $_2$ ) की गणना की। इन मेट्रिक्स की तुलना संख्यात्मक सिमुलेशन और प्रयोगात्मक डेटा के बीच की गई ताकि स्पाइकिंग पैटर्न के सांख्यिकीय गुणों को पुनरुत्पादित करने में मॉडल की सटीकता का आकलन किया जा सके।

प्रमुख योगदान और परिणाम
यह शोध एक तीन-न्यूरॉन मेमरिस्टिव ब्लॉक में इनपुट वोल्टेज संयोजनों और विशिष्ट स्पाइकिंग पैटर्न के बीच एक सीधा संबंध स्थापित करता है, जो न्यूरोमॉर्फिक कंप्यूटिंग के लिए एक कार्यात्मक इकाई के रूप में इसकी क्षमता को प्रदर्शित करता है।

स्पाइकिंग रिजीम्स का मानचित्रण: अध्ययन ( $V_1$ , $V_2$ ) पैरामीटर प्लेन पर अलग-अलग स्पाइकिंग परिणामों के अनुरूप विशिष्ट क्षेत्रों की पहचान करता है: कोई स्पाइकिंग नहीं, सिंगल-न्यूरॉन स्पाइकिंग (RM $_1$ , RM $_2$ , या RM $_3$ ), ड्यूल-न्यूरॉन स्पाइकिंग, और ट्रिपल-न्यूरॉन स्पाइकिंग।
- कम वोल्टेज पर, कोई स्पाइकिंग नहीं होती है।
- जैसे-जैसे वोल्टेज बढ़ता है, सिंगल-न्यूरॉन रिजीम्स उभरते हैं।
- विशेष रूप से, एक रिजीम मौजूद है जहाँ केवल पोस्ट-सिनैप्टिक न्यूरॉन (RM $_3$ ) स्पाइक करता है, भले ही प्री-सिनैप्टिक न्यूरॉन्स व्यक्तिगत रूप से फायर न करें। इसका श्रेय प्री-सिनैप्टिक न्यूरॉन्स के संयुक्त नॉइजी आउटपुट को दिया जाता है जो RM $_3$ को ट्रिगर करने के लिए पर्याप्त DC घटक प्रदान करता है, या शोर-प्रेरित स्पाइक्स जो तब होते हैं जब संयुक्त इनपुट थ्रेशोल्ड से ऊपर उतार-चढ़ाव करता है।
- शोर का स्तर बढ़ने से मल्टी-न्यूरॉन स्पाइकिंग के क्षेत्र का विस्तार होता है और यह तब भी स्पाइकिंग को प्रेरित कर सकता है जब एक इनपुट शून्य हो।
कम्प्यूटेशनल क्षमताएं: विशिष्ट स्पाइकिंग पैटर्न सर्किट को मौलिक मस्तिष्क-समान गणनाएं करने की अनुमति देते हैं:
- वर्गीकरण (Classification): सर्किट इनपुट जोड़ों ( $V_1$ , $V_2$ ) को परिणामी स्पाइकिंग पैटर्न के आधार पर विभिन्न वर्गों में वर्गीकृत कर सकता है।
- तुलना (Comparison): एक इनपुट को स्थिर करके, ब्लॉक एक कंपैरेटर के रूप में कार्य करता है, जो यह निर्धारित करता है कि परिवर्तनशील इनपुट विशिष्ट थ्रेशोल्ड से अधिक है या नहीं।
- लॉजिक गेट्स: शोर के स्तर और इनपुट वोल्टेज रेंज के आधार पर, सर्किट बूलियन लॉजिक ऑपरेशंस को साकार कर सकता है। उदाहरण के लिए, कम शोर के स्तर पर, सिस्टम एक AND गेट के रूप में कार्य करता है (केवल तभी RM $_3$ में स्पाइक आउटपुट देता है जब दोनों इनपुट उच्च हों), जबकि उच्च शोर के स्तर पर, यह एक OR गेट के रूप में कार्य करता है (यदि कोई भी इनपुट उच्च हो तो स्पाइक आउटपुट देता है)।
मॉडल-प्रयोग सहमति: संख्यात्मक सिमुलेशन स्पाइकिंग पैटर्न के अस्तित्व और उनके सांख्यिकीय गुणों (CV $_1$ और CV $_2$ ) के संबंध में प्रयोगात्मक मापों के साथ निकटता से मेल खाते हैं। मॉडल में एक रैंडमाइज्ड $\beta$ पैरामीटर को शामिल करना प्रयोगात्मक रूप से देखे गए वैकल्पिक पैटर्न के "एरेटिक" (अनियमित) ढांचे और छोटे "आइलैंड्स" को पुनरुत्पादित करने के लिए महत्वपूर्ण था, जो कंडक्टिव फिलामेंट के नॉन-स्टेशनरी विकास से उत्पन्न होते हैं। कृत्रिम न्यूरॉन्स के सांख्यिकीय गुण कॉर्टिकल न्यूरॉन्स (CV $_1$ और CV $_2$ क्रमशः 0.2 और 1.5 के बीच) के विशिष्ट रेंज में पाए गए।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य न्यूरोमॉर्फिक सिस्टम के लिए सार्वभौमिक कार्यात्मक ब्लॉकों के विकास में योगदान देता है। प्राथमिक महत्व इस बात में निहित है कि एक सरल, स्टोकेस्टिक मेमरिस्टिक सर्किट सटीक, नॉन-स्टोकेस्टिक नियंत्रण की आवश्यकता के बिना सिग्नल तुलना, वर्गीकरण और बूलियन लॉजिक जैसे जटिल कार्यों को करने में सक्षम है।

यह पेपर तर्क देता है कि डिफ्यूसिव मेमरिस्टर की अंतर्निहित अस्थिरता (volatility) और स्टोकेस्टिसिटी, जिसे अक्सर एक चुनौती के रूप में देखा जाता है, का उपयोग "न्यूरल वेरिएबिलिटी" को इम्युलेट करने के लिए किया जा सकता है—एक ऐसी घटना जहाँ न्यूरॉन्स समान उत्तेजनाओं के प्रति अलग-अलग प्रतिक्रिया देते हैं। यह परिवर्तनशीलता मस्तिष्क की गणनाओं को बढ़ाने में सहायक हो सकती है। फलस्वरूप, यह अध्ययन जीवित तंत्रिका प्रणालियों के कंप्यूटिंग तंत्र को समझने के लिए एक मंच प्रदान करता है और बड़े पैमाने के न्यूरोमॉर्फिक आर्किटेक्चर डिजाइन करने के लिए एक ब्लूप्रिंट प्रदान करता है जो सूचना प्रसंस्करण के लिए डिफ्यूसिव मेमरिस्टर की प्राकृतिक डायनेमिक्स का उपयोग करते हैं। लेखक विनम्रतापूर्वक सुझाव देते हैं कि फिलामेंट विकास को स्थिर करने से विशिष्ट अनुप्रयोगों के लिए पुनरुत्पादकता में सुधार हो सकता है, जबकि प्राकृतिक अस्थिरता जैविक न्यूरल वेरिएबिलिटी को इम्युलेट करने के लिए एक आशाजनक मार्ग बनी हुई है।