adskillelsen af hukommelse og processorenheder i von Neumann-arkitekturen har været en alvorlig konceptuel begrænsning for yderligere vækst af traditionelle computersystemer. Samtidig kræver fremkomsten af datacentrisk computing og fysiske nedskaleringsgrænser for konventionelle teknologier udviklingen af alternative beregningsmetoder til fremtidig nanoelektronik. Størstedelen af de foreslåede løsninger involverer et beregningssystemdesign, der løst er baseret på den menneskelige hjernestruktur, herunder in-memory computing baseret på ideen om at samle hukommelse og behandlingsenheder. På denne måde kan redundansen forbundet med datatrafik helt elimineres, hvis beregningsopgaver og datalagring begge udføres på plads i selve hukommelsen. Fra materialevidenskabens perspektiv kunne udforskning af potentialet i nye nanomaterialer muliggøre den meget nødvendige afvigelse fra konventionelle tilgange og er især lovende i forbindelse med neuromorfisk computing. Neuromorfe nanoelektroniske materialer, der spænder fra nul-dimensionelle, endimensionelle og todimensionale (2D) nanomaterialer til heterostrukturer og blandede dimensionelle heterojunktioner er blevet aktivt udforsket for fremtidig nanoelektronik. En af de mest studerede klasse af materialer, 2D-materialer og deres heterostrukturer giver mulighed for integration med den eksisterende si–komplementære metaloksid–halvleder (CMOS) teknologi, in-memory computing platforme og matrice computing til kunstige neurale netværk og spiking neurale netværk applikationer. Samlet set vil ikke-von Neumann-tilgange kræve en række nye materialer, enheder, maskinarkitekturer, programmel og simuleringsværktøjer for at imødekomme de applikationsspecifikke behov i moderne digital teknologi, samtidig med at de giver reduceret latenstid og forbedret energi-og områdeeffektivitet med hensyn til konventionelle computersystemer.