Teamet udvikler metode til neurale netberegninger i vand

Mikroprocessorer i smartphones, computere og datacentre behandler information ved at manipulere elektroner gennem solide halvledere, men vores hjerner har et andet system. De er afhængige af manipulation af ioner i væske til at behandle information.

Inspireret af hjernen har forskere længe søgt at udvikle "ioniske stoffer" i en vandig opløsning. Mens ioner i vand bevæger sig langsommere end elektroner i halvledere, mener forskere, at mangfoldigheden af ​​ioniske arter med forskellige fysiske og kemiske egenskaber kan udnyttes til en rigere og mere forskelligartet informationsbehandling.

Ionisk databehandling er dog stadig i sine tidlige dage. Til dato har laboratorier kun udviklet individuelle ioniske enheder såsom ioniske dioder og transistorer, men ingen har sat mange sådanne enheder sammen til et mere komplekst kredsløb til databehandling indtil nu.

Et team af forskere ved Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) har i samarbejde med DNA Script, en bioteknologisk startup, udviklet et ionisk kredsløb bestående af hundredvis af ioniske transistorer og udført en kerneproces af neural net computing .

Forskningen er publiceret i Advanced Materials .

Forskerne begyndte med at bygge en ny type iontransistor ud fra en teknik, som de for nylig var pionerer for. Transistoren består af en vandig opløsning af quinonmolekyler, der er forbundet med to koncentriske ringelektroder med en midterskiveelektrode, som en bullseye. De to ringelektroder sænker elektrokemisk og indstiller den lokale pH-værdi omkring midterskiven ved at producere og fange hydrogenioner. En spænding påført midterskiven forårsager en elektrokemisk reaktion til at generere en ionstrøm fra skiven ind i vandet. Reaktionshastigheden kan fremskyndes op eller ned - øge eller mindske ionstrømmen - ved at justere den lokale pH. Med andre ord styrer (porter) pH diskens ionstrøm i den vandige opløsning, hvilket skaber en ionisk modstykke til den elektroniske transistor.

De konstruerede derefter den pH-styrede ioniske transistor på en sådan måde, at diskstrømmen er en aritmetisk multiplikation af diskspændingen og en "vægt"-parameter, der repræsenterer den lokale pH-værdi, der porterer transistoren. De organiserede disse transistorer i et 16 × 16 array for at udvide den analoge aritmetiske multiplikation af individuelle transistorer til en analog matrixmultiplikation, hvor rækken af ​​lokale pH-værdier tjente som en vægtmatrix, der stødes på i neurale netværk.

"Matrix multiplikation er den mest udbredte beregning i neurale netværk for kunstig intelligens," sagde Woo-Bin Jung, en postdoktor ved SEAS og den første forfatter af papiret. "Vores ioniske kredsløb udfører matrixmultiplikationen i vand på en analog måde, der er fuldt ud baseret på elektrokemisk maskineri."

"Mikroprocessorer manipulerer elektroner på en digital måde for at udføre matrixmultiplikation," sagde Donhee Ham, Gordon McKay-professor i elektroteknik og anvendt fysik ved SEAS og seniorforfatter af papiret. "Mens vores ioniske kredsløb ikke kan være så hurtigt eller præcist som de digitale mikroprocessorer, er den elektrokemiske matrixmultiplikation i vand charmerende i sig selv og har potentiale til at være energieffektiv."

Nu søger holdet at berige systemets kemiske kompleksitet.

"Indtil videre har vi kun brugt 3 til 4 ioniske arter, såsom brint- og quinonioner, for at muliggøre gating og iontransport i den vandige ioniske transistor," sagde Jung. "Det vil være meget interessant at anvende flere forskellige ioniske arter og se, hvordan vi kan udnytte dem til at gøre indholdet af information, der skal behandles rigt."

Forskningen var medforfatter af Han Sae Jung, Jun Wang, Henry Hinton, Maxime Fournier, Adrian Horgan, Xavier Godron og Robert Nicol. + Udforsk yderligere

Kemikere foreslår at bruge polymere ioniske væsker i superkondensatorer