Scalable platform enabling reservoir computing with nanoporous oxide memristors for image recognition and time series prediction

Resumo Técnico: Plataforma Escalável que Viabiliza Computação de Reservatório com Memristores de Óxido Nanoporoso

Declaração do Problema
As implementações atuais de redes neurais, particularmente aquelas que lidam com sinais espaciotemporais como séries temporais e linguagem, enfrentam desafios significativos em relação à eficiência energética, escalabilidade de hardware e à necessidade de conectividade online com servidores. Embora a Computação de Reservatório (RC - Reservoir Computing) ofereça uma alternativa promissora ao utilizar pesos aleatórios fixos em uma camada oculta para processar dados temporais com baixos custos de treinamento, as realizações físicas frequentemente lutam com a escalabilidade e a complexidade estrutural. As abordagens existentes utilizando arrays magnéticos, fotônicos ou de memristores padrão frequentemente sofrem com interconexões limitadas, baixa escalabilidade e a dificuldade de criar estados internos verdadeiramente aleatórios e de alta dimensão necessários para tarefas complexas. Além disso, muitas demonstrações físicas de RC não foram rigorosamente testadas contra a predição de séries temporais caóticas sem o reservatório, nem exploraram totalmente o potencial da desomogeneidade intrínseca do material para computação "in materia".

Metodologia
Os autores desenvolveram uma plataforma de computação de reservatório físico baseada em óxido, totalmente de óxido, composta por memristores de óxido de nióbio (NbOx) voláteis com desomogeneidade estrutural intrínseca.

• Fabricação do Dispositivo: O núcleo do sistema é um empilhamento de dispositivos de película fina composto por um eletrodo inferior de platina nanoporosa (np-Pt) de 20 nm, uma camada de comutação de NbOx dopada com nitrogênio de 80 nm, uma camada de adesão de Ti de 3 nm e eletrodos superiores de Pt de 120 nm. A nanoporosidade do eletrodo inferior foi criada via sputtering de magnetron DC de Pt em uma mistura de Ar:O₂ seguida de recozimento em alta temperatura. Este processo induz uma distribuição aleatória de nanoporos (raio médio de ~29 nm) que se propagam na camada de NbOx, criando caminhos condutores únicos e não idênticos para cada eletrodo superior.
• Mecanismo do Reservatório Físico: O dispositivo opera como um memristor volátil onde a comutação resistiva é impulsionada pelo aquecimento de Joule. A nanoporosidade intrínseca cria caminhos de corrente não lineares e aleatórios, atuando efetivamente como um reservatório físico com pesos internos fixos e memória de curto prazo com decaimento (fading memory/hysteresis).
• Tarefas Experimentais:
  1. Tarefa XOR: Entradas binárias lógicas foram codificadas como pulsos de tensão (0V ou 1,75V) para testar a separabilidade não linear.
  2. Reconhecimento de Imagem: Imagens binárias de dígitos 0–9 (5x3 pixels) foram convertidas em sequências de pulsos de tensão para testar o reconhecimento de padrões.
  3. Predição de Lorenz-63: O sistema foi incumbido de prever e reconstruir a série temporal caótica tridimensional de Lorenz-63 ($X(t), Y(t), Z(t)$). A série temporal foi convertida em formas de onda de tensão e aplicada sequencialmente ao reservatório.
• Leitura e Treinamento: As respostas de corrente de três canais de saída ativos foram registradas simultaneamente. Estas correntes, combinadas com a tensão de entrada, formaram um vetor concatenado usado para treinar uma camada de leitura linear (Perceptron Linear Simples ou Regressão Logística) via software externo. O estudo comparou o desempenho com o reservatório (entradas de tensão + corrente) contra uma linha de base sem o reservatório (apenas tensão).

Principais Contribções

1. Aleatoriedade Intrínseca via Nanoporosidade: O artigo introduz um método para criar um reservatório físico onde a aleatoriedade é inerente à estrutura do material (nanoporos) em vez de exigir fiação externa complexa ou arrays de crossbar. Isso permite múltiplos canais de saída distintos a partir de uma única pegada de dispositivo.
2. Computação In Materia: O sistema exemplifica a computação "in materia", onde o próprio material serve como o meio computacional paralelo, contrastando com abordagens que conectam dispositivos discretos e idênticos.
3. Avaliação em Sistemas Caóticos: Os autores fornecem um teste rigoroso do seu reservatório físico contra o desafiador sistema caótico Lorenz-63, comparando explicitamente o desempenho com e sem o reservatório para demonstrar a necessidade da memória física e da não linearidade.
4. Reconstrução de Forma de Onda: O estudo demonstra a capacidade de reconstruir componentes ausentes de um sistema caótico (por exemplo, prevendo $Y(t)$ e $Z(t)$ a partir de $X(t)$) usando o reservatório físico, uma tarefa que falhou ou teve desempenho insatisfatório sem o reservatório.

Resultos

• Tarefa XOR: Um Perceptron de Camada Única (SLP) padrão falhou em resolver o problema XOR (50% de precisão). No entanto, o sistema de RC físico alcançou 100% de precisão tanto no treinamento quanto no teste, projetando a entrada em um espaço de maior dimensão através das saídas de corrente do reservatório.
• Reconhecimento de Imagem: O sistema alcançou 100% de precisão no reconhecimento de dígitos 0–9 após 14 iterações de treinamento usando um único canal de saída. Dígitos com padrões de pixels semelhantes (ex: 3 e 5) mostraram menor certeza com menos iterações, mas foram resolvidos com treinamento suficiente.
• Predição de Lorenz-63:
  • O reservatório superou significativamente a linha de base sem reservatório. Os valores de Erro Quadrático Médio Normalizado (NRMSE) foram substancialmente menores quando utilizando os dados de corrente do reservatório.
  • Os melhores valores de NRMSE foram $1,2 \times 10^{-2}$, $1,5 \times 10^{-2}$ e $1,4 \times 10^{-2}$ para $V_X(t)$, $V_Y(t)$ e $V_Z(t)$, respectivamente, com uma janela de predição de 1 passo e uma janela passada de 100 passos.
  • Os parâmetros ideais de conversão de tensão foram identificados como um offset ($V_0$) de 0,5 V e uma amplitude ($V_{Range}$) de 2,5 V, destacando o conceito de "treinamento consciente da física" (physics-aware training).
• Reconstrução de Lorenz-63: O sistema reconstruiu com sucesso $V_Y(t)$ e $V_Z(t)$ a partir de $V_X(t)$ com alta precisão. A reconstrução de $V_X(t)$ e $V_Y(t)$ a partir de $V_Z(t)$ falhou, o que é consistente com as propriedades matemáticas do sistema de Lorenz (questões de simetria), validando o alinhamento do sistema físico com as restrições teóricas.
• Comparação: Embora um modelo numérico de um reservatório de 9 saídas relatado em literatura anterior tenha apresentado valores de NRMSE menores, os autores observam que o seu sistema experimental de 3 saídas apresentou desempenho satisfatório com menos saídas e menos iteração computacional, sugerindo ganhos de eficiência.

Significância e Alegações
O artigo afirma demonstrar uma plataforma escalável e energeticamente eficiente para eletrônica neuromórfica capaz de lidar com tarefas temporais complexas. Ao alavancar a desomogeneidade estrutural intrínseca dos memristores de óxido nanoporosos, os autores mostram que é possível criar um reservatório físico que imita a conectividade aleatória dos cérebros biológicos sem o custo de hardware dos tradicionais arrays de crossbar.

Os autores posicionam este trabalho como um passo em direção a "dispositivos integrados (on-chip) acessíveis pela indústria" para aplicações como a predição de séries temporais relevantes para a indústria ou fluxos atmosféricos complexos. Eles enfatizam que o sistema opera em modo offline, oferecendo vantagens em segurança e latência. O trabalho une os conceitos de RC baseado em memristores de óxido e computação "in materia", provando que tais sistemas podem alcançar desempenho computacional comparável a outros sistemas de memristores de óxido, mantendo os benefícios de escalabilidade da computação baseada em materiais. Os autores sugerem modestamente que melhorias futuras na precisão de predição poderiam ser alcançadas escalando o número de canais de entrada/saída através de litografia, em vez de reivindicar superioridade imediata sobre todos os modelos numéricos existentes.