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

Os computadores atuais são construídos sobre uma base que separa a memória do pensamento. A informação é armazenada em um lugar e processada em outro, forçando os dados a viajar de ida e volta constantemente. Essa separação cria um gargalo, retardando os cálculos e desperdiçando energia. Para superar isso, cientistas estão desenvolvendo um novo tipo de hardware que imita o cérebro humano, onde a memória e o processamento ocorrem no mesmo local. O componente fundamental nesses cérebros artificiais é a sinapse, o ponto de conexão entre os neurônios. Em um cérebro biológico, essas conexões se fortalecem ou enfraquecem ao longo do tempo conforme aprendemos, um processo conhecido como plasticidade. Para que o hardware artificial aprenda de forma eficaz, ele precisa replicar essa capacidade de ajustar suas conexões de maneira suave e previsível. No entanto, a maioria dos dispositivos eletrônicos projetados para agir como sinapses artificiais possui uma personalidade fixa; uma vez construídos, a maneira como eles alteram sua força é definida em pedra, independentemente da tarefa que estejam tentando resolver.

Uma equipe de pesquisadores descobriu uma maneira de quebrar essa limitação usando um tipo específico de interruptor eletrônico feito de óxido de tântalo, um material comumente usado nesses dispositivos. Ao adicionar minúsculas partículas de prata ao dispositivo, eles descobriram que podiam mudar como o interruptor se comporta simplesmente ajustando a intensidade do sinal elétrico que enviam através dele. Em um dispositivo padrão, a força da conexão muda rapidamente e depois para, como um interruptor de luz que é ligado e permanece ligado. No dispositivo modificado com prata, os pesquisadores descobriram que podiam escolher entre três comportamentos muito diferentes apenas girando um controle de voltagem. Eles podiam fazer a conexão enfraquecer lentamente ao longo de muitos passos, mudar abruptamente em apenas alguns momentos ou espalhar sua mudança ao longo de um período muito longo. Isso significa que um único dispositivo físico pode ser programado para agir como diferentes tipos de aprendizes, adaptando sua dinâmica interna para atender às necessidades do problema que está resolvendo.

Os pesquisadores construíram seus dispositivos depositando uma fina camada de óxido de tântalo sobre um chip de silício e, em seguida, colocando uma camada de nanopartículas de prata sobre ela antes de selá-la com um eletrodo metálico. Quando testaram esses dispositivos sem a prata, eles se comportaram como interruptores eletrônicos típicos: mudavam sua resistência, ou oposição ao fluxo elétrico, em um padrão previsível e unidirecional. No entanto, assim que a prata foi introduzida, o comportamento mudou completamente. O dispositivo começou a mostrar uma resposta altamente simétrica, o que significa que reagia de forma semelhante tanto se a corrente elétrica fluísse para frente quanto para trás. Mais importante ainda, quando os pesquisadores aplicaram uma série de pulsos elétricos para enfraquecer a conexão, o resultado dependia inteiramente do tamanho do pulso.

Em intensidades de pulso mais baixas, o dispositivo enfraquecia gradualmente, levando cerca de cinquenta pulsos para atingir seu estado final. Quando aumentaram a intensidade do pulso ligeiramente, o dispositivo reagiu com uma velocidade surpreendente, perdendo a maior parte de sua força em apenas quatro ou cinco pulsos. Mas quando aumentaram a voltagem ainda mais, o comportamento inverteu-se novamente. Em vez de ficar mais rápido, o dispositivo ficou mais lento, espalhando sua mudança ao longo de mais de cem pulsos. Essa resposta não linear foi a descoberta mais surpreendente. Normalmente, pressionar um sistema com mais força o faz reagir mais rápido. Aqui, pressioná-lo com mais força o fazia reagir mais devagar, e pressioná-lo na medida certa o fazia reagir mais rápido. Os pesquisadores confirmaram que isso não foi um erro de um único dispositivo defeituoso, mas uma característica consistente encontrada em múltiplas amostras, sugerindo uma mudança fundamental na forma como o material opera.

Para entender o que estava acontecendo lá dentro, a equipe examinou a estrutura microscópica do dispositivo. Eles descobriram que as partículas de prata não formavam um fio sólido ou um caminho metálico contínuo, que é uma forma comum pela qual esses dispositivos funcionam. Em vez disso, a prata parecia interagir com as vacâncias de oxigênio, que são minúsculos espaços ausentes na estrutura cristalina do óxido que permitem o fluxo de eletricidade. Os pesquisadores propõem que a prata atua como um estado interno de movimento lento que influencia a rapidez com que essas vacâncias de oxigênio podem se mover. Quando o sinal elétrico é fraco, a prata tem pouco efeito e as vacâncias se movem lentamente por conta própria. Quando o sinal está na medida certa, a prata permanece quieta, permitindo que as vacâncias corram e criem uma mudança rápida. Quando o sinal é muito forte, a prata torna-se ativa e atrapalha o processo, retardando as vacâncias e espalhando a mudança ao longo do tempo. Essa interação entre as vacâncias de movimento rápido e a prata mais lenta cria os três comportamentos distintos.

O verdadeiro valor dessa descoberta foi testado ao observar como esses diferentes comportamentos afetavam a capacidade de aprendizado de um computador. Os pesquisadores simularam um cérebro artificial simples e o ensinaram a reconhecer imagens de números escritos à mão e itens de vestuário. Eles usaram os três diferentes padrões de depressão observados no laboratório como as regras para como as conexões do cérebro deveriam mudar. Os resultados foram claros. Quando o cérebro utilizou a mudança lenta e gradual, ele aprendeu melhor, identificando corretamente cerca de 88 por cento dos números escritos à mão. O padrão sigmoidal gradual intermediário também funcionou bem, atingindo cerca de 85 por cento de precisão. No entanto, quando o cérebro utilizou o padrão de mudança abrupta e rápida, seu desempenho colapsou para cerca de 50 por cento, o que não é melhor do que um palpite aleatório. Além disso, o padrão de mudança rápida produziu resultados inconsistentes, com o cérebro performando de maneira diferente cada vez que era treinado.

Este experimento mostrou que a velocidade e a forma da mudança importam tanto quanto o resultado final. Uma conexão que muda rápido demais pula as etapas intermediárias necessárias, tornando difícil para o cérebro refinar seu conhecimento. Uma conexão que muda lentamente permite um ajuste suave e constante, levando a um aprendizado melhor. O estudo demonstra que, ao projetar os materiais dentro de um dispositivo, os cientistas podem transformar a dinâmica do aprendizado em um recurso programável. Em vez de estarem presos a uma única e fixa maneira de aprender, uma sinapse artificial pode ser ajustada para ser gradual, abrupta ou distribuída, dependendo do que a tarefa exige. Isso adiciona uma nova camada de flexibilidade à computação neuromórfica, sugerindo que o futuro do hardware de inteligência artificial pode residir não apenas em tornar os dispositivos menores ou mais rápidos, mas em torná-los mais adaptáveis.