Die exponentielle Nachfrage nach energieeffizienten und adaptiven Computerarchitekturen treibt die Evolution der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) voran. Neuromorphes Rechnen, inspiriert von biologischen neuronalen Netzwerken, überwindet die Einschränkungen traditioneller von-Neumann-Architekturen, einschließlich hohem Energieverbrauch und begrenzter Skalierbarkeit. Die Einführung von zweidimensionalen (2D) Materialien, wie Übergangsmetall-Dichalkogeniden, hexagonalem Bornitrid, schwarzem Phosphor und Telluren, ermöglicht neuromorphen Geräten eine beispiellose Kontrolle über elektronische und optoelektronische Eigenschaften. Diese Materialien weisen atomare Dicke, hohe Ladungsmobilität und anpassbare Bandlücken auf, die synaptische Verhaltensweisen wie zeitabhängige Plastizität und gekoppelte Impulsförderung erleichtern. Diese Übersicht beschreibt die Integration von 2D-Materialien in neuromorphe Systeme und hebt Anwendungen in tragbaren Elektronik, Gehirn-Maschine-Schnittstellen und quanten-neuromorphen Plattformen hervor. In tragbaren und Edge-Computing ermöglichen 2D-basierte Geräte eine lokal begrenzte, ultraniedrige Datenverarbeitung. In Gehirn-Maschine-Schnittstellen verbessern sie die Signalübertragung und neuronale Schnittstellen. Quantenwirkungen in 2D-Materialien ermöglichen außerdem hybride quanten-klassische neuromorphe Architekturen für hochdimensionale Berechnungsaufgaben. Trotz signifikanter Fortschritte bestehen Herausforderungen in Bezug auf Reproduzierbarkeit, Skalierbarkeit und Stabilität. Diese Einschränkungen durch Innovationen in der Synthese und Defektpassivierung anzugehen, ist entscheidend für die praktische Anwendung. Diese Übersicht hebt das transformative Potenzial von neuromorphem Rechnen auf Basis von 2D-Materialien für energieeffiziente KI hervor. Die Integration von 2D-Materialien in neuromorphe Compute-Architekturen bietet einen vielversprechenden Weg zu energieeffizienten und adaptiven Systemen, die biologische Lernmechanismen mit Maschinenintelligenz verbinden.
Kazmi et al. (Wed,) haben diese Frage untersucht.