separasjon av minne og prosessorenheter i von Neumann arkitektur har vært en alvorlig konseptuell begrensning for videre vekst av tradisjonelle datasystemer. Samtidig, fremveksten av data-sentriske databehandling og fysiske nedskalering grensene for konvensjonelle teknologier nødvendiggjøre utvikling av alternative beregningsorientert tilnærminger for fremtidige nanoelektronikk. De fleste av de foreslåtte løsningene innebærer en beregningssystemdesign som er løst basert på den menneskelige hjernestrukturen, inkludert in-memory computing basert på ideen om å samle minne og prosesseringsenheter. På denne måten kan redundansen knyttet til datatrafikk elimineres helt hvis beregningsoppgaver og datalagring begge utføres på plass i selve minnet. Fra perspektivet til materialvitenskap, utforske potensialet i nye nanomaterialer kan aktivere sårt tiltrengt avvik fra konvensjonelle tilnærminger og er spesielt lovende i sammenheng med nevromorf databehandling. Nevromorfe nanoelektroniske materialer som spenner fra nulldimensjonale, endimensjonale og todimensjonale (2d) nanomaterialer til van Der Waals heterostrukturer og blandede dimensjonale heterojunctions har blitt aktivt utforsket for fremtidige nanoelektronikk. En av de mest studerte klasse av materialer, 2D materialer og deres van Der Waals heterostructures tilbyr muligheten for integrasjon med eksisterende si complementary metal-oxide-semiconductor (CMOS) teknologi, in-memory computing plattformer og matrix computing for kunstige nevrale nettverk og spiking nevrale nettverk applikasjoner. Samlet sett vil ikke-von Neumann tilnærminger kreve en rekke nye materialer, enheter, maskinvarearkitekturer, programvare og simuleringsverktøy for å møte de applikasjonsspesifikke behovene til moderne digital teknologi, samtidig som det gir redusert ventetid og forbedret energi-og arealeffektivitet med hensyn til konvensjonelle datasystemer.