Synapses artificielles : des nano-jonctions biomimétiques
Aucune machine si sophistiquée soit-elle ne peut rivaliser avec le cerveau humain dans sa capacité à apprendre, évoluer, créer, et ce pour un coût énergétique dérisoire. Pour simuler les mécanismes cérébraux, une nouvelle voie de recherche consiste à développer des composants électroniques jouant le rôle des synapses biologiques. Des chercheurs de l’INSP ont ainsi élaboré des nano-jonctions dont la réponse à des stimuli électriques présente de grandes similitudes avec les synapses réelles.
La synapse est l’interconnexion entre deux neurones et c’est elle qui assure la transmission - plus ou moins aisée et plus ou moins pérenne - des informations. Sa particularité est sa plasticité adaptable, à l’origine des fonctions de mémoire et d’apprentissage. Un équivalent électronique primaire est le memristor, dispositif à deux bornes, dont la résistance peut être réglée de manière continue au moyen d’une tension externe, tout en étant stockée de manière non volatile.
Un memristor de second-ordre, basé sur un empilement de trois couches d’oxydes d’épaisseur nanométrique (nano-jonction), a été élaboré à l’INSP. Sa résistance peut être modulée à la hausse ou à la baisse en changeant uniquement la fréquence du train d’impulsions excitatrices - pour une amplitude d'impulsions fixe. La plasticité de ce memristor est également dépendante de son « histoire », à savoir ses précédentes potentialisation / dépression ou dit autrement excitation / inhibition. Ce comportement, très proche de celui des synapses biologiques, est expliqué par un mécanisme d’oxydo-réduction aux interfaces des couches oxydes, généré par les impulsions de tension.
Cette recherche ouvre la voie à la mise en œuvre « matérielle » de réseaux de memristors, reproduisant les neurones et synapses biologiques, pour un apprentissage artificiel évolué.
Synapse artificielle basée sur un empilement de couches oxydes
Référence (accès libre)
« Second-Order Memristor Based on All-Oxide Multiferroic Tunnel Junction for Biorealistic Emulation of Synapses »
Anton Khanas, Christian Hebert, Loïc Becerra, Xavier Portier, Nathalie Jedrecy
Adv. Electron.Mater.2022, 2200421