Em um artigo publicado em Nano , pesquisadores estudam o papel dos memristores na computação neuromórfica. Este novo componente eletrônico fundamental suporta a clonagem de sistemas bio-neurais com baixo custo e potência.

Os sistemas de computação contemporâneos são incapazes de lidar com os desafios críticos de redução de tamanho e velocidade de computação na era do big data. O gargalo de Von Neumann é referido como um obstáculo na transferência de dados através do processador de conexão de barramento e célula de memória. Isso dá a oportunidade de criar arquiteturas alternativas baseadas em um modelo de neurônio biológico. A computação neuromórfica é uma dessas arquiteturas alternativas que imitam as arquiteturas neurobiológicas do cérebro.

O sistema cerebral neural humanóide compreende aproximadamente 100 bilhões de neurônios e inúmeras sinapses de conectividade. Um dispositivo de circuito eficiente é, portanto, essencial para a construção de uma rede neural que imita o cérebro humano. O desenvolvimento de um componente elétrico básico, o memristor, com vários recursos distintos, como escalabilidade, processamento na memória e compatibilidade CMOS, facilitou significativamente a implementação de hardware de rede neural.

O memristor foi introduzido como um 'resistor tipo memória', onde o fundo das entradas aplicadas alteraria o status da resistência do dispositivo. É um componente eletrônico capaz de memorizar a corrente para efetivamente reduzir o tamanho do dispositivo e aumentar a velocidade de processamento em redes neurais. Cálculos paralelos, como no sistema nervoso humano, são feitos com o suporte de dispositivos de memristor em uma nova arquitetura de computação.

A instabilidade e a incerteza do sistema foram descritas como problemas atuais para a maioria dos aplicativos baseados em memória. Isso é o oposto do processo biológico. Apesar do barulho, Não-linearidade, variabilidade e volatilidade, os sistemas biológicos funcionam bem. Ainda não está claro, Contudo, que a eficácia dos sistemas biológicos realmente depende desses obstáculos. A modelagem neural às vezes é evitada porque não é fácil de modelar e estudar. A possibilidade de explorar essas propriedades é, portanto, claro, um caminho crítico para o sucesso na obtenção de sistemas artificiais e biológicos.