Fig. 1 I reservoirberegning er informationsudbredelse som rislende bølger på overfladen af en vandmasse; derfor bruges udtrykket "reservoir". Den afbildede undervandselektrode er den faktiske multi-terminal elektrode, der blev brugt i denne undersøgelse. Kredit:Megumi Akai-Kasaya et al.
Efter mange årtiers forbløffende udvikling begynder fremskridtene inden for halvlederbaseret databehandling at aftage, efterhånden som transistorer når deres fysiske grænser i størrelse og hastighed. Kravene til computing fortsætter dog med at vokse, især inden for kunstig intelligens, hvor neurale netværk ofte har flere millioner parametre. En løsning på dette problem er reservoir computing, og et team af forskere ledet af Osaka University, med kolleger fra University of Tokyo og Hokkaido University, har udviklet et simpelt system baseret på elektrokemiske reaktioner i faradisk strøm, som de mener vil sætte gang i udviklingen i dette felt.
Reservoir computing er en relativt ny idé inden for computing. I stedet for traditionelle binære programmer, der kører på halvlederchips, bruges reaktionerne fra et ikke-lineært dynamisk system - reservoiret - til at udføre meget af beregningen. Forskellige ikke-lineære dynamiske systemer fra kvanteprocesser til optiske laserkomponenter er blevet betragtet som reservoirer. I denne undersøgelse så forskerne på ionkonduktansen af elektrokemiske opløsninger.
"Vores simple testenhed består af 90 par plane elektroder med en ionisk opløsning faldet på overfladen," forklarer professor Megumi Akai-Kasaya, hovedforfatter af undersøgelsen. "Reaktionsspændingen til indgangsspændingen bruges derefter som reaktionen af reservoiret." Denne spændingsreaktion skyldes både de ioniske strømme, der passerer gennem opløsningen, og den elektrokemiske strøm. Dette input-output forhold er både ikke-lineært og reproducerbart, hvilket gør det velegnet til brug i reservoirberegning. Et unikt flervejs dataopsamlingssystem på enheden styrer udlæsningsknuderne, hvilket muliggør parallel test.
Fig. 2 Fysisk reservoirberegning og konstruktion af et molekylærbaseret reservoir. (a) Struktur af traditionel reservoirberegning. (b) Koncept for vores fysiske reservoirberegningssystem. Kredit:Megumi Akai-Kasaya et al., Advanced Science
Forskerne brugte enheden til at evaluere to væsker:polyoxometalatmolekyler i opløsning og deioniseret vand. Systemet viste en "feedforward-forbindelse" mellem noder, uanset hvilken prøve der blev brugt. Der var dog forskelle. "Polyoxometalatopløsningen øgede diversiteten af responsstrømmen, hvilket gør den god til at forudsige periodiske signaler," siger professor Akai-Kasaya. "Men det viser sig, at deioniseret vand er bedst til at løse andenordens ikke-lineære problemer." Den gode ydeevne af disse løsninger viser deres potentiale til mere komplicerede opgaver, såsom håndskriftsskrifttypegenkendelse, isoleret ordgenkendelse og andre klassifikationsopgaver.
Fig. 3 (a) Struktur af polyoxometalat (POM) molekylet. (b) Skematisk over det elektrokemiske reaktionsbaserede reservoir. (c) Responses of the POM solution (left) and deionized water (right) to a sinusoidal signal and their prediction performances on a quadruple sine (QDW) target signal. (d) Prediction performances of the POM solution and water on a nonlinear target signal. Credit:Megumi Akai-Kasaya et al., Advanced Science
The researchers believe that proton or ion transfer with minimal electrochemical reactions over short durations has the potential for development as a more computationally powerful computing system that is low in cost and energy efficient. The simplicity of the proposed system opens up exciting new opportunities for developing computing systems based on electrochemical ion reactions.