Geconstrueerde hydrogel-fluidische memristor-kruisarray voor neuromorfe computing

Waarom een zachte, waterige chip ertoe doet

De meeste hedendaagse computers zijn opgebouwd uit stijf silicium en elektronenstromen, wat sterk verschilt van de zachte, natte netwerken van het menselijk brein. Deze studie toont hoe een chip gemaakt van gel en bewegende ionen enkele hersenachtige vaardigheden kan nabootsen, en suggereert toestellen die energiezuiniger zijn en direct chemische signalen uit hun omgeving kunnen waarnemen en daarop reageren.

Herseninspiratie omzetten in een zacht apparaat

Het brein verwerkt informatie met geladen atomen die door gelachtige verbindingen tussen zenuwcellen bewegen. Geïnspireerd hierop creëerden de onderzoekers een klein elektrisch component, een fluidische memristor, met twee zachte hydrogel-lagen die in een microscopische porie in een kunststof laag aan elkaar zijn verbonden. De ene gel draagt vaste positieve ladingen en trekt negatieve ionen aan, terwijl de andere neutraal is en een verdunde zoutoplossing bevat. Waar de twee gels elkaar raken, kunnen ionen zich langzaam ophopen of juist wegstromen afhankelijk van de aangelegde spanning, waardoor het apparaat een ingebouwd geheugen van eerdere signalen krijgt in de vorm van veranderende elektrische weerstand.

Hoe de gelinterface signalen onthoudt

Door de spanning over een enkele porie te laten variëren, observeerde het team een kenmerkende lusvormige stroomreactie die echt geheugenachtig gedrag aangeeft. Computermodellen lieten zien dat deze respons voortkomt uit ionen die zich over tijd ophopen of uitputten bij de smalle gelgrens. Onder de ene spanningsrichting stromen negatieve ionen naar de interface en lekken vervolgens in de neutrale gel, waardoor het pad gemakkelijker geleidt; onder de tegengestelde richting worden ze weggetrokken en wordt geleiding moeilijker. Omdat deze herschikking tijd nodig heeft om zich te stabiliseren, “herinnert” het apparaat zich recente pulsen als een tijdelijke verandering in geleiding, vergelijkbaar met hoe een biologische synaps tijdelijk sterker of zwakker wordt na activiteit.

Het imiteren van leren in zenuwverbindingen

Vervolgens stuurden de onderzoekers de apparaten met korte spanningspulsen die zenuwsignalen simuleren. Paargewijs nauw opeenvolgende negatieve pulsen lieten de tweede respons toenemen, een gedrag dat facilitatie wordt genoemd, terwijl positieve pulsen de tweede respons deden afnemen, vergelijkbaar met depressie in een echte synaps. Reeksen pulsen met variërende frequentie, aantal en breedte produceerden gegradueerde geleidingsveranderingen, wat laat zien dat het apparaat signalen in de tijd kan filteren en meerdere gewichts­niveaus kan opslaan. Het werkt op millivolt-schaal spanningen en picojoule-energie per puls, ver onder typische vaste-stoffen circuits, en kan betrouwbaar vele keren worden omgeschakeld, wat essentieel is voor praktische reken­taken.

Van één porie naar een denkend raster

Aangezien de hydrogels eenvoudig te printen en ter plaatse uit te harden zijn, bouwde het team volledige kruisarray’s door regelmatige roosters van conische poriën in flexibel polyimide te boren en elke porie te vullen met de twee-gel stapel. Een kleine 3 × 3-array toonde uniforme eigenschappen over sites, en een grotere 10 × 10-array behaalde een werkend rendement van 94 procent, wat aangeeft dat het zachte, ingesloten ontwerp goed schaalt. De array kan ook direct op chemicaliën reageren: de biologische brandstofmolecule ATP sijpelt in de geladen gel, bindt eraan en vermindert de lading, wat op zijn beurt het memristieve effect verzwakt en het verlies van opgeslagen toestanden versnelt — effectief chemie gebruiken om het synapsachtige gedrag bij te sturen.

Het zachte hardware laten cijfers herkennen

Om echte informatieverwerking te testen gebruikten de auteurs de array als dynamische kern van een type machine learning dat reservoir computing heet. Patronen van spanningspulsen die rijen van zwart-wit cijferbeelden voorstelden werden ingevoerd in geselecteerde poriën, en de resulterende geleidingswaarden werden uitgelezen naar een eenvoudige softwarelaag die de uiteindelijke classificatie uitvoerde. Met deze opzet herkende het systeem computergestuurde cijferpatronen en behaalde het 89,5 procent nauwkeurigheid op handgeschreven cijfers uit de MNIST-database, een veelgebruikte benchmark in kunstmatige intelligentie, wat aantoont dat een bescheiden ionengebaseerde array niet-triviale herkenningstaken aankan.

Wat dit betekent voor toekomstige zachte computers

Dit werk bewijst dat een groot, geordend raster van zachte fluidische memristors kan worden gebouwd en gebruikt voor brein-geïnspireerde computing, terwijl het ook direct op chemische signalen reageert. Hoewel er nog uitdagingen blijven, zoals langetermijnstabiliteit en het bereiken van meer permanente vormen van geheugen, wijst de geconfronde hydrogel­aanpak op toekomstige chips die met ionen in plaats van elektronen rekenen en mogelijk sensing, chemie en energiezuinige intelligentie kunnen samenbrengen in flexibel, weefselachtig hardware.

Bronvermelding: Guo, G., Xiong, T., Xie, B. et al. Confined-hydrogel fluidic memristor crossbar array for neuromorphic computing. Nat Commun 17, 4275 (2026). https://doi.org/10.1038/s41467-026-70728-1

Trefwoorden: fluidische memristor, hydrogel-elektronica, neuromorfe computing, ionengebaseerde computing, reservoir computing