Hjernefunktion delvist replikeret af nanomaterialer

Hjernen kræver overraskende lidt energi for at tilpasse sig miljøet for at lære, gøre tvetydige anerkendelser, har høj genkendelsesevne og intelligens, og udføre kompleks informationsbehandling.

De to nøgletræk ved neurale kredsløb er "synapsers indlæringsevne" og "nerveimpulser eller pigge." Efterhånden som hjernevidenskaben skrider frem, hjernestrukturen er gradvist blevet afklaret, men det er for kompliceret til fuldstændig at efterligne. Forskere har forsøgt at replikere hjernens funktion ved at bruge forenklede neuromorfe kredsløb og enheder, der efterligner en del af hjernens mekanismer.

Ved at udvikle neuromorfe chips til kunstigt at replikere de kredsløb, der efterligner hjernens struktur og funktion, funktionerne til generering og transmission af spontane pigge, der efterligner nerveimpulser (spikes), er endnu ikke fuldt udnyttet.

En fælles gruppe forskere fra Kyushu Institute of Technology og Osaka University undersøgte den nuværende ensretningskontrol i forbindelser mellem forskellige molekyler og partikler absorberet på enkeltvæggede kulstofnanorør (SWNT), ved hjælp af ledende atomkraftmikroskopi (C-AFM), og opdagede, at en negativ differentiel resistens blev produceret i polyoxometalat (POM) molekyler absorberet på SWNT. Dette tyder på, at en ustabil dynamisk ikke-ligevægtstilstand forekommer i molekylære forbindelser.

Ud over, forskerne skabte ekstremt tætte, tilfældige SWNT/POM-netværks molekylære neuromorfe enheder, generere spontane spidser svarende til nerveimpulser fra neuroner (figur 1).

POM består af metalatomer og oxygenatomer for at danne en 3-dimensionel ramme. (Figur 2) I modsætning til almindelige organiske molekyler, POM kan lagre ladninger i et enkelt molekyle. I dette studie, man troede, at negativ differentiel modstand og spidsgenerering fra netværket var forårsaget af ikke-ligevægtsladningsdynamik i molekylære forbindelser i netværket.

Dermed, den fælles forskergruppe ledet af Megumi Akai-Kasaya udførte simuleringsberegninger af den tilfældige molekylære netværksmodel kompleks med POM-molekyler, som er i stand til at lagre elektriske ladninger, replikerende spidser genereret fra det tilfældige molekylære netværk. (Figur 3 til venstre) De demonstrerede også, at denne molekylære model meget sandsynligt ville blive en del af reservoir-beregningsenheder. Reservoir computing forventes at blive næste generations kunstig intelligens (AI). (Figur 3) Deres forskningsresultater blev offentliggjort i Naturkommunikation .

"Betydningen af ​​vores undersøgelse er, at en del af hjernens funktion blev replikeret af nanomolekylære materialer. Vi påviste muligheden for, at selve det tilfældige molekylære netværk kan blive neuromorf AI, " siger hovedforfatter Hirofumi Tanaka.

Det forventes, at denne gruppes resultater i høj grad vil bidrage til udviklingen af ​​fremtidens neuromorfe enheder.