Memristori HfO2: l’interfaccia p-n che rende l’AI efficiente come il cervello umano

Nuovi memristori HfO2 con interfacce p-n asimmetriche aprono una strada concreta verso hardware neuromorfico ultraefficiente. I dispositivi basati su film sottili p-type Hf(Sr,Ti)O2 operano con correnti di switching fino a 10^-8 A, centinaia di livelli analogici stabili e un range di modulazione superiore a 50. La ricerca pubblicata su Science Advances il 20 marzo 2026 punta a ridurre il consumo energetico dell’intelligenza artificiale e dei futuri data center.

Memristori HfO2 superano i limiti dello switching filamentare tradizionale

I nuovi memristori HfO2-based affrontano uno dei problemi più critici dei dispositivi resistivi tradizionali: la variabilità dello switching filamentare. Nei memristori convenzionali, il passaggio tra stati resistivi dipende spesso dalla formazione e rottura di filamenti conduttivi localizzati, un meccanismo efficiente ma intrinsecamente stocastico. Questa variabilità limita uniformità, precisione analogica e affidabilità nei sistemi neuromorfici, dove ogni dispositivo deve funzionare come sinapsi artificiale stabile e riproducibile. Il nuovo approccio usa film sottili multicomponente Hf(Sr,Ti)O2 con comportamento p-type e un’interfaccia p-n autoassemblata con TiOxNy.

Lo switching non dipende da filamenti casuali, ma da una modulazione interfacciale più controllata della barriera energetica. Questo consente una transizione graduale tra stati conduttivi, senza electroforming iniziale e senza compliance di corrente. Il risultato è un dispositivo più adatto all’apprendimento analogico, alla computazione in-memory e alle reti neurali spiking.

Hf(Sr,Ti)O2 introduce film sottili p-type compatibili con processi CMOS

I ricercatori realizzano i film sottili p-type Hf(Sr,Ti)O2 con una strategia di crescita in due fasi basata su sputtering magnetronico RF. La deposizione iniziale avviene in atmosfera non reattiva e genera uno strato sotto-stoichiometrico di circa 15 nanometri. Subito dopo, l’aggiunta di ossigeno produce uno strato sottile di circa 1 nanometro, controllando la composizione e favorendo la formazione dell’interfaccia funzionale. Questa architettura permette di ottenere un rapporto O/metal pari a 2,0, elemento cruciale per stabilizzare le proprietà elettroniche.

La compatibilità con processi CMOS rende la tecnologia particolarmente rilevante per l’integrazione futura. L’ossido di afnio è già familiare all’industria dei semiconduttori, quindi l’uso di una piattaforma HfO2-based riduce le barriere verso la scalabilità produttiva. Il drogaggio con Sr e la presenza di Ti modificano il bandgap e favoriscono la natura p-type del materiale. Secondo le analisi, il bandgap scende da 6,0 eV a circa 4,5 eV, migliorando le condizioni per il controllo elettro-ionico della conduttanza.

L’interfaccia p-n asimmetrica controlla la barriera energetica

Il cuore del dispositivo è l’interfaccia p-n autoassemblata tra Hf(Sr,Ti)O2 p-type e TiOxNy n-type. Questa giunzione genera una regione di svuotamento estesa in modo asimmetrico dentro lo strato Hf(Sr,Ti)O2, con un potenziale built-in elevato e una corrente di saturazione estremamente bassa in polarità inversa. Il comportamento del memristore deriva quindi dalla modulazione controllata della regione depleta, non dalla formazione casuale di filamenti conduttivi.

Quando vengono applicati spike positivi, buche ed elettroni vengono iniettati nel sistema e riducono lo spessore della regione depleta, abbassando la barriera energetica e aumentando la conduttanza. Gli spike negativi producono l’effetto opposto, allargando la regione depleta e favorendo il rilascio dei portatori intrappolati. La migrazione elettro-ionica di ossigeno e azoto contribuisce alla modulazione analogica. Questo meccanismo spiega la stabilità dei livelli intermedi e l’elevata uniformità tra cicli e dispositivi.

I dispositivi operano senza electroforming e senza compliance di corrente

Uno dei vantaggi principali dei nuovi memristori è l’assenza di electroforming. Molti dispositivi resistivi tradizionali richiedono un processo iniziale ad alta tensione per creare il percorso conduttivo, ma questa fase può introdurre variabilità, danni locali e differenze tra dispositivi. Nei memristori Mo/Hf(Sr,Ti)O2/TiN, lo switching resistivo interfacciale avviene direttamente, con transizioni graduali e controllabili tra stato ad alta resistenza e stato a bassa resistenza.

L’assenza di compliance di corrente semplifica ulteriormente il funzionamento. I dispositivi partono da uno stato ad alta resistenza e passano progressivamente verso una condizione più conduttiva con tensione positiva applicata all’elettrodo Mo. Con polarità inversa, la resistenza aumenta in modo continuo. Le curve I-V dei primi 30 cicli mostrano stabilità elevata e finestre di memoria superiori a 10. Questo comportamento analogico è essenziale per rappresentare pesi sinaptici in hardware neuromorfico.

Correnti di switching ultrabasse riducono il consumo delle sinapsi artificiali

Le correnti di switching fino a 10^-8 A sono uno dei risultati più rilevanti della ricerca. Nel contesto dell’hardware neuromorfico, ogni aggiornamento sinaptico deve consumare pochissima energia perché le reti possono contenere milioni o miliardi di connessioni. Una corrente così bassa permette di ridurre drasticamente il costo energetico per operazione, avvicinando i dispositivi elettronici al modello di efficienza del cervello biologico.

L’energia per aggiornamento sinaptico si colloca tra 45 femtojoule e 2,5 picojoule, valori tra i più interessanti per dispositivi neuromorfici energy-efficient. Questa caratteristica rende i memristori Hf(Sr,Ti)O2 adatti a scenari in cui l’apprendimento deve avvenire direttamente sull’hardware, senza trasferire continuamente dati tra memoria e processore. La riduzione degli spostamenti dati è uno dei punti chiave del computing in-memory, soprattutto per applicazioni AI distribuite e dispositivi edge intelligenti.

Centinaia di livelli di conduttanza abilitano apprendimento analogico stabile

I dispositivi raggiungono centinaia di livelli di conduttanza analogici stabili e riproducibili, compresi tra 2,5 × 10^-9 S e 1,4 × 10^-7 S. Il range di modulazione supera 50 senza saturazione evidente, un risultato importante per rappresentare pesi sinaptici con precisione. Nei sistemi neuromorfici, la qualità dell’apprendimento dipende anche dalla capacità del dispositivo di modificare gradualmente la conduttanza senza salti casuali o instabilità. L’applicazione di spike identici a 1,0 volt produce potenziamento e depressione a lungo termine con buona linearità e simmetria dopo ottimizzazione degli intervalli temporali. Il numero di spike può variare da 100 a 12.000 senza perdita evidente del controllo analogico. Le misure su migliaia di impulsi confermano uniformità cycle-to-cycle e riproducibilità device-to-device. Rispetto a molti memristori HfO2 riportati in letteratura, questi dispositivi mostrano un equilibrio superiore tra basso consumo, livelli analogici e range dinamico.

Plasticità a breve termine e STDP avvicinano i memristori alle sinapsi biologiche

I memristori Hf(Sr,Ti)O2 non si limitano a memorizzare stati resistivi, ma emulano regole fondamentali dell’apprendimento neuronale. L’applicazione di spike a 1,0 volt genera plasticità sinaptica a breve termine, con fenomeni di paired-pulse facilitation e paired-pulse depression dipendenti dall’intervallo temporale tra impulsi. Le curve seguono decadimenti esponenziali doppi, richiamando il comportamento osservato nelle sinapsi biologiche con componenti rapide e lente. I ricercatori dimostrano anche STDP anti-Hebbiana asimmetrica, cioè una forma di plasticità dipendente dal tempo relativo tra spike pre-sinaptici e post-sinaptici. I cambiamenti di peso risultano massimi per valori di Δt più piccoli e decadono progressivamente con l’aumento dell’intervallo. Le misure con circa 40.000 spike confermano una stabilità operativa notevole. Questa capacità rende i dispositivi promettenti per reti neurali spiking e sistemi di apprendimento non supervisionato in tempo reale.

Caratterizzazione EELS XPS e Raman conferma il meccanismo elettro-ionico

Le tecniche di caratterizzazione confermano che lo switching è dominato dall’interfaccia p-n e dalla migrazione ionica direzionale. Le analisi EELS, XPS e Raman mostrano cambiamenti selettivi negli stati di ossidazione e nelle concentrazioni elementari in corrispondenza della giunzione tra Hf(Sr,Ti)O2 e TiOxNy. Questo supporta il modello in cui ossigeno e azoto migrano sotto campo elettrico, modulando la barriera energetica e la regione depleta. La microscopia elettronica a trasmissione evidenzia una struttura colonnare, con nanocolonne cristalline di circa 7 nanometri e confini arricchiti in Ti. Le misure RBS confermano la composizione stechiometrica, mentre XRD e Raman in situ durante i cicli di tensione mostrano diffusione dell’ossigeno verso la regione superiore. Il modello space-charge-limited current spiega la conduzione osservata. L’uniformità elevata deriva dalla distribuzione laterale omogenea dei difetti puntiformi e dalla qualità dell’interfaccia.

Ritenzione ed endurance rendono i memristori adatti a sistemi reali

La stabilità nel tempo è essenziale per passare da una dimostrazione di laboratorio a un sistema neuromorfico integrabile. I memristori Hf(Sr,Ti)O2 mostrano endurance con 1100 cicli I-V e oltre 50.000 cicli a impulsi, mantenendo un comportamento stabile. La ritenzione dei due stati binari supera 500.000 secondi, con finestra di memoria superiore a 10. Anche i livelli intermedi restano stabili per centinaia di secondi, un intervallo sufficiente per molti scenari di training online. La robustezza chimica del materiale è un altro elemento rilevante. Dopo 90 giorni di esposizione all’aria, i dispositivi non mostrano degrado prestazionale significativo. Questa stabilità riduce i rischi legati all’integrazione e alla manipolazione in ambienti non perfettamente controllati. Per l’hardware neuromorfico, che richiede grandi array di dispositivi con comportamento uniforme, endurance, ritenzione e stabilità ambientale sono parametri decisivi quanto il basso consumo energetico.

Il computing in-memory può ridurre il costo energetico dell’AI

La ricerca affronta un problema sempre più urgente: il consumo energetico dell’intelligenza artificiale. La crescita dei modelli AI e dei data center rende inefficiente il paradigma tradizionale von Neumann, in cui dati e calcolo restano fisicamente separati. Lo spostamento continuo di informazioni tra memoria e processore produce un costo energetico enorme, spesso superiore a quello dell’operazione aritmetica stessa. I memristori offrono una soluzione perché combinano memoria e calcolo nello stesso elemento fisico. Con il computing in-memory, i pesi sinaptici vengono memorizzati nella conduttanza dei dispositivi e aggiornati direttamente tramite impulsi elettrici. Questo può ridurre il consumo di oltre il 70 per cento rispetto ad architetture tradizionali, soprattutto in carichi neuromorfici e reti neurali spiking. I memristori HfO2 con interfacce p-n rendono questo scenario più credibile perché uniscono correnti ultrabasse, livelli analogici stabili, compatibilità CMOS e assenza di electroforming.

Memristori HfO2 aprono la strada a data center AI più sostenibili

L’impatto potenziale va oltre il singolo dispositivo. Se integrati in array neuromorfici, questi memristori potrebbero contribuire a ridurre il fabbisogno energetico dei futuri data center AI. L’intelligenza artificiale cresce con ritmi stimati intorno al 30 per cento all’anno in termini di domanda energetica, creando pressioni su infrastrutture elettriche, costi operativi e sostenibilità climatica. Hardware più efficiente diventa quindi un requisito industriale, non solo un obiettivo accademico. La compatibilità con processi CMOS rende i memristori Hf(Sr,Ti)O2 più interessanti rispetto a soluzioni basate su materiali difficili da integrare. I prossimi passi richiedono dimostrazioni su array più ampi, validazione a livello di rete completa e integrazione con circuiti di lettura e controllo. Tuttavia, i risultati attuali indicano una direzione chiara: l’ingegnerizzazione delle interfacce p-n può diventare una strategia generale per memristori analogici ultraefficienti e hardware brain-like a basso impatto energetico.