Der prestigeträchtige IEEE Transactions on Circuits and Systems Darlington Best Paper Award wurde für die Forschungsarbeit mit dem Titel „How to Build a Memristive Integrate-and-Fire Model for Spiking Neuronal Signal Generation“ verliehen. Die von Sung Mo Kang, Donguk Choi, Jason K. Eshraghian, Peng Zhou, Jieun Kim, Bai-Sun Kong, Xiaojian Zhu, Ahmet Samil Demirkol, Alon Ascoli, Ronald Tetzlaff, Wei D. Lu und Leon O. Chua verfasste Arbeit stellt zwei kompakte memristive Modelle zur Erzeugung von spikenden neuronalen Signalen unter Verwendung leicht verfügbarer, kostengünstiger Komponenten vor. Das erste in der Arbeit vorgestellte Neuronenmodell heißt Memristive Integrate and Fire (MIF)-Modell. Es ermöglicht die neuronale Signalisierung durch die Verwendung von zwei Spannungsebenen: dem Spike-Peak und dem Ruhepotential. Das zweite vorgestellte Modell war MIF2, das noch einen Schritt weiter geht, indem es ein drittes refraktäres Spannungsniveau während der Hyperpolarisation einbezieht und so die lokale Anpassung fördert.
Eine der wichtigsten Auswirkungen dieser Forschung ist die mögliche Entwicklung eines memristiven Festkörpergehirns mit einer Schätzung seiner Oberfläche und seines Stromverbrauchs. Dieser Durchbruch dürfte weitere experimentelle Demonstrationen von memristiven Schaltkreisen fördern und den Weg für leichter zugängliche und kostengünstige Implementierungen ebnen. Analytische Hochrechnungen deuten darauf hin, dass ein memristives Festkörpergehirn mit einer Fläche und einem Volumen realisiert werden könnte, die dem eines durchschnittlichen menschlichen Gehirns entsprechen.
Die Auszeichnung dieser herausragenden Forschungsarbeit mit dem IEEE Transactions on Circuits and Systems Darlington Best Paper Award unterstreicht ihre Bedeutung und ihren Einfluss auf das Fachgebiet. Der Beitrag der Autoren zur Förderung des Verständnisses und der praktischen Anwendung von memristiven Schaltkreisen ist lobenswert, und es ist zu erwarten, dass ihre Arbeit weitere Durchbrüche auf dem Gebiet der Neurowissenschaften und der neuromorphen Technik inspirieren wird.