Nye hjernecellelignende nanoenheder arbejder sammen for at identificere mutationer i vira

I septembernummeret af tidsskriftet Natur, forskere fra Texas A&M University, Hewlett Packard Labs og Stanford University har beskrevet en ny nanoenhed, der virker næsten identisk med en hjernecelle. Desuden, de har vist, at disse syntetiske hjerneceller kan sættes sammen til at danne indviklede netværk, der så kan løse problemer på en hjernelignende måde.

"Dette er den første undersøgelse, hvor vi har været i stand til at efterligne en neuron med kun en enkelt enhed i nanoskala, som ellers ville have brug for hundredvis af transistorer, " sagde Dr. R. Stanley Williams, seniorforfatter på studiet og professor i Institut for Elektro- og Computerteknik. "Vi har også været i stand til med succes at bruge netværk af vores kunstige neuroner til at løse legetøjsversioner af et problem i den virkelige verden, der er beregningsmæssigt intenst selv for de mest sofistikerede digitale teknologier."

I særdeleshed, forskerne har demonstreret proof of concept, at deres hjerne-inspirerede system kan identificere mulige mutationer i en virus, hvilket er yderst relevant for at sikre effektiviteten af ​​vacciner og medicin til stammer, der udviser genetisk diversitet.

I løbet af de sidste årtier, digitale teknologier er blevet mindre og hurtigere, hovedsagelig på grund af fremskridtene inden for transistorteknologi. Imidlertid, disse kritiske kredsløbskomponenter nærmer sig hurtigt deres grænse for, hvor små de kan bygges, igangsætte en global indsats for at finde en ny type teknologi, der kan supplere, hvis ikke udskiftes, transistorer.

Ud over dette "nedskaleringsproblem", transistorbaserede digitale teknologier har andre velkendte udfordringer. For eksempel, de kæmper med at finde optimale løsninger, når de præsenteres for store datasæt.

"Lad os tage et velkendt eksempel på at finde den korteste vej fra dit kontor til dit hjem. Hvis du skal gøre et enkelt stop, det er et ret nemt problem at løse. Men hvis du af en eller anden grund skal lave 15 stop imellem, du har 43 milliarder ruter at vælge imellem, " sagde Dr. Suhas Kumar, hovedforfatter på undersøgelsen og forsker ved Hewlett Packard Labs. "Dette er nu et optimeringsproblem, og nuværende computere er ret uduelige til at løse det."

Kumar tilføjede, at en anden vanskelig opgave for digitale maskiner er mønstergenkendelse, såsom at identificere et ansigt som det samme uanset synspunkt eller genkende en velkendt stemme begravet i en larm af lyde.

Men opgaver, der kan sende digitale maskiner ind i en computertizzy, er dem, hvor hjernen udmærker sig. Faktisk, hjerner er ikke kun hurtige til genkendelse og optimeringsproblemer, men de bruger også langt mindre energi end digitale systemer. Derfor, ved at efterligne, hvordan hjernen løser disse typer opgaver, Williams sagde, at hjerneinspirerede eller neuromorfe systemer potentielt kunne overvinde nogle af de beregningsmæssige forhindringer, som nuværende digitale teknologier står over for.

At bygge den grundlæggende byggesten i hjernen eller en neuron, forskerne samlede en syntetisk enhed i nanoskala bestående af lag af forskellige uorganiske materialer, hver med en unik funktion. Imidlertid, de sagde, at den virkelige magi sker i det tynde lag lavet af sammensætningen niobiumdioxid.

Når en lille spænding påføres dette område, dens temperatur begynder at stige. Men når temperaturen når en kritisk værdi, niobiumdioxid gennemgår en hurtig personlighedsændring, at vende fra en isolator til en leder. Men da den begynder at lede elektriske strømme, dens temperatur falder, og niobiumdioxid skifter tilbage til at være en isolator.

Disse frem og tilbage overgange gør det muligt for de syntetiske enheder at generere en puls af elektrisk strøm, der ligner profilen af ​​elektriske pigge, eller handlingspotentialer, produceret af biologiske neuroner. Yderligere, ved at ændre spændingen over deres syntetiske neuroner, forskerne reproducerede et rigt udvalg af neuronal adfærd observeret i hjernen, såsom vedvarende, udbrud og kaotisk affyring af elektriske pigge.

"At fange neuronernes dynamiske adfærd er et nøglemål for hjerne-inspirerede computere, sagde Kumar. Alt i alt, vi var i stand til at genskabe omkring 15 typer neuronale affyringsprofiler, alle ved hjælp af en enkelt elektrisk komponent og ved meget lavere energi sammenlignet med transistorbaserede kredsløb."

For at vurdere, om deres syntetiske neuroner kan løse problemer i den virkelige verden, forskerne koblede først 24 sådanne enheder i nanoskala sammen i et netværk inspireret af forbindelserne mellem hjernens cortex og thalamus, en velkendt neural vej involveret i mønstergenkendelse. Næste, de brugte dette system til at løse en legetøjsversion af det virale quasispecies rekonstruktionsproblem, hvor mutante variationer af et virus identificeres uden et referencegenom.

Ved hjælp af datainput, forskerne introducerede netværket til korte genfragmenter. Derefter, ved at programmere styrken af ​​forbindelser mellem de kunstige neuroner i netværket, de etablerede grundlæggende regler for sammenføjning af disse genetiske fragmenter. Den puslespilslignende opgave for netværket var at liste mutationer i virusets genom baseret på disse korte genetiske segmenter.

Forskerne fandt ud af, at inden for få mikrosekunder, deres netværk af kunstige neuroner slog sig ned i en tilstand, der var indikativ for genomet for en mutantstamme.

Williams og Kumar bemærkede, at dette resultat er et principbevis på, at deres neuromorfe systemer hurtigt kan udføre opgaver på en energieffektiv måde.

Forskerne sagde, at de næste skridt i deres forskning vil være at udvide repertoiret af de problemer, som deres hjernelignende netværk kan løse ved at inkorporere andre affyringsmønstre og nogle kendetegnende egenskaber ved den menneskelige hjerne som indlæring og hukommelse. De planlægger også at løse hardwareudfordringer for at implementere deres teknologi i kommerciel skala.

"At beregne statsgælden eller løse en eller anden storstilet simulering er ikke den type opgave, den menneskelige hjerne er god til, og det er derfor, vi har digitale computere. Alternativt, vi kan udnytte vores viden om neuronale forbindelser til at løse problemer, som hjernen er usædvanlig god til, " sagde Williams. "Vi har vist, at afhængigt af typen af ​​problem, der er forskellige og mere effektive måder at lave andre beregninger på end de konventionelle metoder ved hjælp af digitale computere med transistorer."