Engineering Synaptic Dynamics in Ag-Modified TaO$_x$ Memristive Devices

I computer di oggi sono costruiti su una base che separa la memoria dal pensiero. L'informazione è memorizzata in un luogo e processata in un altro, costringendo i dati a viaggiare continuamente avanti e indietro. Questa separazione crea un collo di bottiglia, rallentando i calcoli e sprecando energia. Per superare questo limite, gli scienziati stanno sviluppando un nuovo tipo di hardware che imita il cervello umano, dove memoria e processamento avvengono nello stesso punto. La componente chiave in questi cervelli artificiali è la sinapsi, il punto di connessione tra i neuroni. In un cervello biologico, queste connessioni si rafforzano o si indeboliscono nel tempo mentre impariamo, un processo noto come plasticità. Affinché l'hardware artificiale possa apprendere efficacementamente, deve replicare questa capacità di regolare le proprie connessioni in modo fluido e prevedibile. Tuttavia, la maggior parte dei dispositivi elettronici progettati per agire come sinapsi artificiali ha una personalità fissa; una volta costruiti, il modo in cui cambiano la loro forza è scolpito nella pietra, indipendentemente dal compito che stanno cercando di risolvere.

Un team di ricercatori ha scoperto un modo per rompere questo limite utilizzando un tipo specifico di interruttore elettronico fatto di ossido di tantalio, un materiale comunemente usato in questi dispositivi. Aggiungendo minuscole particelle di argento al dispositivo, hanno scoperto di poter cambiare il modo in cui lo switch si comporta semplicemente regolando l'intensità del segnale elettrico inviato attraverso di esso. In un dispositivo standard, la forza della connessione cambia rapidamente e poi si ferma, come un interruttore della luce che scatta e rimane acceso. Nel dispositivo modificato con l'argento, i ricercatori hanno scoperto di poter scegliere tra tre comportamenti molto diversi semplicemente girando una manopola della tensione. Potevano far sì che la connessione si indebolisse lentamente su molti passaggi, cambiasse bruscamente in pochissimi istanti, oppure che la sua variazione si distribuisse su un periodo molto lungo. Ciò significa che un singolo dispositivo fisico può essere programmato per agire come diversi tipi di apprendisti, adattando la propria dinamica interna per adattarsi alle esigenze del problema da risolvere.

I ricercatori hanno costruito i loro dispositivi depositando un sottile film di ossido di tantalio su un chip di silicio e posizionando sopra di esso uno strato di nanoparticelle di argento prima di sigillarlo con un elettrodo metallico. Quando hanno testato questi dispositivi senza l'argento, si comportavano come tipici interruttori elettronici: cambiavano la loro resistenza, ovvero l'opposizione al flusso elettrico, in un modello prevedibile e unidirezionale. Tuttavia, una volta introdotto l'argento, il comportamento è cambiato completamente. Il dispositivo ha iniziato a mostrare una risposta altamente simmetrica, il che significa che reagiva in modo simile sia che la corrente elettrica scorresse in avanti che all'indietro. Cosa più importante, quando i ricercatori applicavano una serie di impulsi elettrici per indebolire la connessione, il risultato dipendeva interamente dalla dimensione dell'impulso.

A intensità di impulso inferiori, il dispositivo si indeboliva gradualmente, impiegando circa cinquanta impulsi per raggiungere il suo stato finale. Quando aumentavano leggermente l'intensità dell'impulso, il dispositivo reagiva con una velocità sorprendente, perdendo la maggior parte della sua forza in soli quattro o cinque impulsi. Ma quando aumentavano la tensione ancora ulteriormente, il comportamento si invertiva di nuovo. Invece di diventare più veloce, il dispositivo rallentava, distribuendo il suo cambiamento su più di cento impulsi. Questa risposta non lineare era la scoperta più sorprendente. Di solito, spingere un sistema con più forza lo rende più veloce. Qui, spingerlo con più forza lo rendeva più lento, e spingerlo nel modo giusto lo rendeva più veloce. I ricercatori hanno confermato che questo non era un colpo di fortuna di un singolo dispositivo difettoso, ma una caratteristica costante riscontrata in più campioni, suggerendo un cambiamento fondamentale nel modo in cui il materiale opera.

Per capire cosa stesse accadendo all'interno, il team ha esaminato la struttura microscopica del dispositivo. Hanno scoperto che le particelle di argento non formavano un filo solido o un percorso metallico continuo, che è un modo comune in cui questi dispositivi funzionano. Invece, l'argento sembrava interagire con le vacanze di ossigeno, ovvero piccoli spazi mancanti nella struttura cristallina dell'ossido che permettono all'elettricità di fluire. I ricercatori propongono che l'argento agisca come uno stato interno a movimento lento che influenza la velocità con cui queste vacanze di ossigeno possono muoversi. Quando il segnale elettrico è debole, l'argento ha un effetto minimo e le vacanze si muovono lentamente da sole. Quando il segnale è "giusto", l'argento rimane tranquillo, permettendo alle vacanze di correre e creare un cambiamento rapido. Quando il segnale è molto forte, l'argento diventa attivo e si mette di mezzo, rallentando le vacanze e distribuendo il cambiamento nel tempo. Questa interazione tra le vacanze veloci e l'argento più lento crea i tre distinti comportamenti.

Il vero valore di questa scoperta è stato testato osservando come questi diversi comportamenti influenzassero la capacità di apprendimento di un computer. I ricercatori hanno simulato un semplice cervello artificiale e lo hanno istruito a riconoscere immagini di numeri scritti a mano e di capi d'abbigliamento. Hanno utilizzato i tre diversi modelli di depressione osservati in laboratorio come regole per il modo in cui le connessioni del cervello dovevano cambiare. I risultati sono stati chiari. Quando il cervello utilizzava il cambiamento lento e graduale, apprendeva meglio, identificando correttamente circa l'88 percento dei numeri scritti a mano. Anche il modello sigmoideo graduale intermedio funzionava bene, raggiungendo circa l'85 percento di precisione. Tuttavia, quando il cervello utilizzava il modello a cambiamento rapido e brusco, le sue prestazioni crollavano a circa il 50 percento, che non è migliore di un azzardo casuale. Inoltre, il modello a cambiamento rapido produceva risultati incoerenti, con il cervello che performava diversamente ogni volta che veniva addestrato.

Questo esperimento ha dimostrato che la velocità e la forma del cambiamento contano tanto quanto il risultato finale. Una connessione che cambia troppo velocemente salta i necessari passaggi intermedi, rendendo difficile per il cervello affinare la propria conoscenza. Una connessione che cambia lentamente permette un aggiustamento fluido e costante, portando a un apprendimento migliore. Lo studio dimostra che, ingegnerizzando i materiali all'interno di un dispositivo, gli scienziati possono trasformare la dinamica dell'apprendimento in una caratteristica programmabile. Invece di essere bloccati con un unico, fisso modo di apprendere, una sinapsi artificiale può essere sintonizzata per essere graduale, brusca o distribuita, a seconda delle necessità del compito. Ciò aggiunge un nuovo livello di flessibilità al calcolo neuromorfico, suggerendo che il futuro dell'hardware per l'intelligenza artificiale potrebbe non risiedere solo nel rendere i dispositivi più piccoli o più veloci, ma nel renderli più adattabili.