Une synapse artificielle auto-alimentée combine détection et mémoire dans une électronique flexible

Les dispositifs neuromorphiques, conçus pour imiter certains aspects des réseaux neuronaux biologiques, sont des candidats prometteurs pour les technologies de détection intelligentes à faible consommation d’énergie, notamment pour les applications portables.

Parmi les architectures explorées pour le calcul neuromorphique, les transistors à gel ionique à canal de graphène (g-IGT) sont prometteurs en raison de leurs propriétés électroniques, de leur flexibilité, de leur fonctionnement à basse tension et de leur capacité à moduler les poids synaptiques pour imiter les synapses biologiques. Cependant, la plupart des g-IGT actuels nécessitent encore une alimentation externe, ce qui limite leur utilisation pratique dans les systèmes neuromorphiques portables.

Pour relever ce défi, une équipe de recherche dirigée par le professeur Sejoon Lee du département des semi-conducteurs systèmes de l’université Dongguk en Corée du Sud a mis au point un dispositif g-IGT flexible, autonome et sans batterie, alimenté par un nanogénérateur triboélectrique (TENG). Les TENG convertissent les stimuli mécaniques, tels que les mouvements du corps, le toucher ou les vibrations, en signaux électriques.

L’étude est publiée dans la revue Advanced Materials .

Pour expliquer son inspiration, Lee déclare : « Dans la perception tactile humaine, les mécanorécepteurs détectent même les plus infimes perturbations mécaniques et les convertissent en potentiels d’action neuronaux. Afin de reproduire ce processus électroniquement, nous avons intégré un nanogénérateur triboélectrique à un g-IGT qui convertit les stimuli mécaniques en signaux électriques régulant directement le comportement synaptique artificiel sans nécessiter d’alimentation externe. »

Le dispositif g-IGT proposé, alimenté par un TENG, est un dispositif neuromorphique flexible et autonome capable de reproduire de multiples états de mémoire et un apprentissage dépendant de la fréquence de décharge. Crédit : Prof. Sejoon Lee, Université Dongguk.

Les stimuli mécaniques alimentent les signaux synaptiques

Dans le bras humain, les mécanorécepteurs convertissent les déformations cutanées en signaux électriques transmis par les neurones et traités au niveau des synapses. Reproduisant ce processus, le dispositif utilise deux TENG connectés à un seul g-IGT. Le TENG connecté à la grille du g-IGT génère des potentiels d’action présynaptiques, tandis que celui connecté au drain génère des potentiels d’action postsynaptiques.

Lorsque les TENG détectent des stimuli mécaniques tels que le toucher, ils produisent des impulsions de tension qui activent la réponse synaptique du g-IGT. Le circuit fonctionne sans source d’alimentation externe, en récupérant l’énergie directement à partir des stimuli mécaniques.

La mémoire se modifie avec une stimulation répétée

Les chercheurs ont démontré que le dispositif peut présenter des processus de mémoire hiérarchiques similaires à ceux des réseaux neuronaux biologiques. Plus précisément, il peut présenter une mémoire sensorielle avec un temps de déclin d’environ 70 millisecondes et une mémoire à court terme (MCT) avec des temps de déclin de 0,2 à 0,45 seconde. Une stimulation répétée peut faire basculer la mémoire à court terme vers la mémoire à long terme, avec un temps de déclin supérieur à 2 secondes.

Les chercheurs ont également démontré la plasticité synaptique dépendante de la fréquence des potentiels d’action (SRDP), un mécanisme fondamental d’apprentissage et de mémoire qui permet à la force synaptique de se modifier en fonction de la fréquence des potentiels d’action entrants. Cette fonctionnalité SRDP est restée stable même lorsque le dispositif était plié.

Reconnaissance d’activité en position pliée

Les chercheurs ont évalué la capacité d’apprentissage du dispositif en implémentant son comportement synaptique mesuré expérimentalement dans un réseau neuronal artificiel monocouche pour la reconnaissance de l’activité humaine.

À partir de données publiques sur les mouvements humains, le système a classé six activités (marcher, s’asseoir, se tenir debout, s’allonger, monter et descendre des escaliers) avec une précision de 88,05 % grâce à l’analyse du comportement synaptique induit par la TENG, même lorsque l’appareil était plié. En présence de bruit important, le système a conservé une précision supérieure à 75 %, malgré une baisse de performance en cas de forte distorsion du signal.

Perspectives pour les objets connectés sans batterie

Les applications potentielles comprennent les dispositifs portables de surveillance de la santé autonomes, la peau électronique, les prothèses intelligentes, les interfaces homme-machine et les systèmes intelligents de surveillance des mouvements.

Pour l’avenir, Lee déclare : « Nos recherches pourraient contribuer à l’émergence d’une nouvelle génération de systèmes d’intelligence artificielle portables fonctionnant avec une dépendance minimale aux batteries ou aux ressources informatiques externes. Plus largement, nos travaux ouvrent la voie à une électronique neuromorphique autonome intégrant la détection, la mémoire, l’apprentissage et le traitement de l’information sur une plateforme unique et flexible. »

https://www.dongguk.edu/eng/article/ENGACARESE/detail/26766347