Intelligens, der kommer fra tilfældige polymernetværk

Reservoir computing (RC) tackler komplekse problemer ved at efterligne den måde, information behandles på i dyrehjerner. Den er afhængig af et tilfældigt forbundet netværk, der fungerer som et reservoir for information og i sidste ende fører til mere effektive output. For at realisere RC direkte i stof (i stedet for at simulere det i en digital computer), talrige reservoirmaterialer er blevet undersøgt til dato. Nu har et hold inklusive forskere fra Osaka University designet et sulfoneret polyanilin-netværk til RC.

Neurale netværk i hjernen bruger elektrokemiske signaler båret af ioner. Derfor, en elektrokemisk tilgang er et logisk valg ved valg af materialesystem til RC. Organiske elektrokemiske felteffekttransistorer (OECFET'er) er populære inden for bioelektronik; imidlertid, de har endnu ikke været meget brugt til RC.

Nøglen til reservoirmaterialet er, at det har rig (tidsafhængig) adfærd og er uordnet, hvilket gør polymermaterialer til en fremragende mulighed, da de danner tilfældige netværk af sig selv.

Polyanilin er en lovende polymer til RC-applikationer, fordi det er nemt at polymerisere, har god stabilitet i atmosfæren, og har reversibel doping/de-doping adfærd, hvilket betyder, at dens ledning kan ændres.

Forskerne undersøgte sulfoneret polyanilin (SPAN), hvilken, ud over fordelene ved polyanilin, har høj vandopløselighed og selvdopingadfærd. Disse gør SPAN lettere at arbejde med og dopingen mere ensartet.

"Atmosfæriske protoner sprøjtes direkte ind i polymerkæden af ​​SPAN, som får den til at udføre, " forklarer undersøgelsens hovedforfatter Yuki Usami. "Denne ledning kan derefter kontrolleres ved at justere fugtigheden."

Forskerne brugte en simpel drop-casting metode til at samle SPAN på guldelektroder for at give en organisk elektrokemisk netværksenhed (OEND).

SPAN OEND blev testet for RC ved at kontrollere bølgeformen og vurdere dens ydeevne i korttidshukommelsesopgaver. Resultaterne af en test for at se, hvor godt tale kunne genkendes, opnåede 70 % nøjagtighed. Denne evne hos SPAN OEND var sammenlignelig med en softwaresimulering af RC.

"Vi har vist, at vores SPAN OEND-system kan anvendes i RC, " siger den tilsvarende forfatter Takuya Matsumoto. "Fremtidige skridt til at etablere systemer, der ikke er afhængige af fugt, vil give mere praktiske muligheder; imidlertid, succesen med vores SPAN-baserede system er et positivt skridt for materialebaseret reservoirberegning, som forventes at have en betydelig indflydelse på den næste generation af kunstig intelligens-enheder."