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

Resumo Técnico: Uma Unidade Neural Reconfigurável Não Monotônica com Controle de Integração Dinâmica

Definição do Problema
As implementações atuais de hardware neuromórfico enfrentam limitações fundamentais na emulação da dinâmica rica e adaptativa dos sistemas neurais biológicos. A maioria das funções de ativação artificiais existentes baseia-se em funções monotônicas fixas e carece da capacidade de controlar dinamicamente os processos de integração temporal. Especificamente, elas falham em reproduzir mecanismos biológicos como a inibição lateral (que cria "regiões silenciosas" seletivas de características para suprimir intervalos específicos de entrada) e a modulação dependente de contexto dos limiares de disparo. Além disso, as arquiteturas de dispositivos existentes frequentemente integram a dinâmica de integração e disparo com fuga (LIF - leaky integrate-and-fire) e a modulação de disparo em um único canal ativo, criando um compromisso onde o ajuste de uma função compromete a outra.

Metodologia
Para abordar essas restrições, os autores propõem uma Unidade Neural Reconfigurável (RNU) baseada em uma heteroestrutura de van der Waals que desacopla as funções neuronais em dois componentes especializados:

1. Memristor Volátil (Ag/h-BN/grafeno): Este componente serve como o núcleo para a dinâmica LIF, fornecendo a comutação volátil necessária para o disparo neuronal e o comportamento de autorreset (self-resetting).
2. Transistor Sináptico Ambipolar (MoTe2/h-BN): Este componente é conectado em série com o memristor para permitir uma modulação de disparo sofisticada.

A arquitetura do dispositivo aproveita as propriedades únicas do canal de MoTe2:

• Resposta Não Monotônica: Ao aplicar polarizações de porta (gate biases), a condutância do canal de MoTe2 é modulada. Devido à sua natureza ambipolar, o canal exibe um ponto de condutância mínima. Quando a polarização da porta está próxima deste mínimo, o transistor entra em um estado de alta resistência, suprimindo a tensão através do memristor e criando uma "região silenciosa" onde o disparo é inibido. À medida que a polarização da porta se afasta deste ponto em qualquer direção, a condutância aumenta, permitindo que o disparo seja retomado. Isso resulta em uma resposta de disparo não monotônica em forma de U.
• Reconfiguração Dinâmica: A posição desta região silenciosa no eixo de polarização da porta é dinamicamente reconfigurável via dopagem assistida por luz ultravioleta (UV). A iluminação UV (365 nm ou 254 nm) combinada com polarizações de porta específicas induz dopagem do tipo n ou tipo p no canal de MoTe2, deslocando permanentemente o mínimo de condutância e, consequentemente, reconfigurando a janela operacional da RNU.
• Controle Inibitório: O terminal de porta do transistor funciona como uma entrada dedicada para pulsos inibitórios, permitindo o controle espaciotemporal preciso sobre a janela de integração e a dinâmica de disparo.

Principais Contribuições

• Arquitetura de Dispositivo: A fabricação e caracterização bem-sucedidas de uma RNU de componente duplo que separa fisicamente o ajuste sináptico (transistor) da dinâmica de disparo (memristor), superando as limitações dos designs de canal único.
• Excitabilidade Não Monotônica: Demonstração de uma resposta de disparo em forma de U com uma região central silenciosa, mimetizando a inibição lateral biológica e permitindo a supressão seletiva de características.
• Ajustabilidade Adaptativa: Prova de conceito para a reconfiguração não volátil da função de transferência neuronal assistida por UV, permitindo que a "região silenciosa" seja deslocada para se adaptar a diferentes tarefas computacionais.
• Via Inibitória: Implementação de um mecanismo de inibição feedforward onde o terminal de porta modula diretamente as janelas de integração temporal, truncando as janelas de integração para suprimir o disparo.

Resultos

• Caracterização do Dispositivo:
  • O transistor MoTe2/h-BN demonstrou comportamento ambipolar equilibrado com uma razão on/off de $10^5$ e uma corrente de dreno mínima de 12,929 pA.
  • A dopagem por UV deslocou com sucesso o mínimo de condutância de 2 V (intrínseco) para -10 V (tipo n) e +22 V (tipo p).
  • O memristor Ag/h-BN/grafeno exibiu comutação volátil reproduzível com uma tensão de limiar de 0,18 V e baixa corrente de fuga (1 pA).
  • A RNU integrada alcançou um consumo de potência média de 0,04 nW por evento de disparo.
• Dinâmica Neural:
  • A RNU exibiu comportamento LIF dependente da amplitude e um perfil de disparo não monotônico ajustável pela porta.
  • Sinais de porta inibitórios truncaram com sucesso as janelas de integração temporal, suprimindo o disparo para entradas subsequentes.
• Desempenho em Nível de Sistema:
  • Reconhecimento de Imagem Estática (Fashion-MNIST): Redes Neurais de Pulsos (SNNs) equipadas com dinâmicas de RNU alcançaram 90,42% de precisão, comparáveis às Redes Neurais Artificiais convencionais (91,62%) e demonstrando a transferência eficaz das dinâmicas calibradas pelo dispositivo para tarefas estáticas.
  • Decodificação de EEG Dinâmico: Em uma tarefa de decodificação de imagética motora de EEG de quatro classes, uma SNN Controlada por Porta (GCSNN) incorporando a via inibitória da RNU alcançou 64,6% de precisão. Isso representa uma melhoria absoluta de 3,5% sobre uma linha de base padrão de SNN (61,1%) e um ganho significativo sobre uma linha de base convencional de CSP+LDA (45,1%). A GCSNN mostrou desempenho superior na distinção de padrões temporais e na redução da confusão entre classes.

Significância
O artigo postula que a RNU fornece uma base compacta, versátil e altamente adaptável para sistemas neuromórficos avançados. Ao emular a responsividade não monotônica biológica e permitir a reconfiguração dinâmica das funções de transferência neuronal, a RNU aborda a rigidez do hardware atual. Os autores afirmam que esta arquitetura suporta paradigmas mais biologicamente plausíveis e computacionalmente poderosos, como filtragem sensorial adaptativa e atenção seletiva. Os resultados sugerem que sistemas baseados em RNU são particularmente adequados para tarefas que exigem regulação temporal dinâmica e processamento de sinais biológicos não estacionários, marcando um passo significativo em direção à realização em hardware de uma inteligência artificial verdadeiramente adaptativa.