Macierz krzyżowa ciekłokrystalicznego memrystora w hydrożelu do obliczeń neuromorficznych

Dlaczego miękki, wodny chip ma znaczenie

Większość współczesnych komputerów powstaje z sztywnego krzemu i przepływu elektronów, co bardzo różni się od miękkich, wilgotnych sieci ludzkiego mózgu. To badanie pokazuje, jak chip wykonany z żeli i przemieszczających się jonów może naśladować niektóre właściwości mózgopodobne, sugerując przyszłe urządzenia bardziej energooszczędne i zdolne do bezpośredniego wykrywania i reagowania na substancje chemiczne w otoczeniu.

Przełożenie inspiracji mózgowej na miękkie urządzenie

Mózg przetwarza informacje za pomocą naładowanych atomów, które przemieszczają się przez żelopodobne połączenia między komórkami nerwowymi. Zainspirowani tym, badacze stworzyli mikroskopijny element elektryczny zwany memrystorem płynnym, wykorzystując dwa miękkie hydrożele połączone w mikroskopijnej porze w plastikowej blaszce. Jeden żel niesie stałe ładunki dodatnie i przyciąga jony ujemne, podczas gdy drugi jest neutralny i zawiera rozcieńczony roztwór soli. Tam, gdzie żele stykają się ze sobą, jony mogą się stopniowo gromadzić lub ustępować w zależności od przyłożonego napięcia, dając urządzeniu wbudowaną pamięć przeszłych sygnałów w formie zmiennego oporu elektrycznego.

Jak granica żelu pamięta sygnały

Przez wykonywanie przemiatania napięciami przez pojedynczą porę zespół zaobserwował charakterystyczną pętlę prądową, która świadczy o rzeczywistym zachowaniu pamięci. Modele komputerowe wykazały, że odpowiedź ta wynika z gromadzenia się lub ubytku jonów przy wąskiej granicy żelowej w czasie. Pod jednym kierunkiem napięcia jony ujemne pędzą ku granicy, a następnie przelewają się do żelu neutralnego, ułatwiając przewodzenie; przy przeciwnym kierunku są odciągane, utrudniając przewodzenie. Ponieważ ta reorganizacja potrzebuje czasu, aby się ustabilizować, urządzenie „pamięta” niedawne impulsy jako tymczasową zmianę przewodności, podobnie jak biologiczna synapsa tymczasowo wzmacnia lub osłabia sygnał po aktywności.

Naśladowanie uczenia w połączeniach nerwowych

Naukowcy następnie sterowali urządzeniami krótkimi impulsami napięcia, które zastępują neurony strzelające impulsami. Pary blisko umieszczonych impulsów ujemnych spowodowały, że druga odpowiedź rosła — zachowanie zwane facylitacją — podczas gdy impulsy dodatnie zmniejszały drugą odpowiedź, podobnie jak depresja w rzeczywistej synapsie. Ciągi impulsów o różnej częstotliwości, liczbie i szerokości wywołały stopniowane zmiany przewodności, pokazując, że urządzenie może filtrować sygnały w czasie i przechowywać wielopoziomowe wagi. Działa przy napięciach w skali miliwoltów i zużywa energię na poziomie pikodżuli na impuls, znacznie poniżej typowych układów półprzewodnikowych, i można je niezawodnie wielokrotnie przełączać, co jest niezbędne do praktycznych zastosowań obliczeniowych.

Od jednej pory do siatki myślącej

Ponieważ hydrożele łatwo drukować i utwardzać in situ, zespół zbudował pełne macierze krzyżowe, wiercąc regularne siatki stożkowych porów w elastycznym poliimidzie i wypełniając każdą dwuwarstwowym żelem. Mała matryca 3 × 3 wykazała jednorodne zachowanie w różnych miejscach, a większa 10 × 10 osiągnęła 94-procentowy wskaźnik sprawności, co wskazuje, że miękka, ograniczona konstrukcja dobrze się skalowalna. Macierz może także bezpośrednio reagować na substancje chemiczne: biologiczna cząsteczka paliwowa ATP przenika do naładowanego żelu, wiąże się z nim i zmniejsza jego ładunek, co z kolei osłabia efekt memrystorowy i przyspiesza utratę zapisanych stanów — w praktyce chemia używana jest do strojenia zachowania synapso-podobnego.

Pozwolenie miękkiemu sprzętowi rozpoznawać cyfry

Aby przetestować rzeczywiste przetwarzanie informacji, autorzy użyli matrycy jako dynamicznego jądra rodzaju uczenia maszynowego nazywanego obliczeniami rezerwuarowymi. Wzorce impulsów napięciowych reprezentujące wiersze czarno-białych obrazów cyfr były wprowadzane do wybranych porów, a wynikowe wartości przewodności odczytywano do prostej warstwy programowej, która wykonywała końcową klasyfikację. W tym ustawieniu system prawidłowo rozpoznawał generowane komputerowo wzorce cyfr i osiągnął 89,5-procentową dokładność na odręcznych cyfrach z bazy MNIST, powszechnym punkcie odniesienia w sztucznej inteligencji, pokazując, że skromna matryca jonowa może radzić sobie z nietrywialnymi zadaniami rozpoznawania.

Co to znaczy dla przyszłych miękkich komputerów

Praca ta dowodzi, że można zbudować i wykorzystać dużą, uporządkowaną siatkę miękkich, ciekłokrystalicznych memrystorów do obliczeń inspirowanych mózgiem, a jednocześnie reagujących bezpośrednio na sygnały chemiczne. Chociaż pozostają wyzwania, takie jak długoterminowa stabilność i osiągnięcie bardziej trwałych form pamięci, podejście z ograniczonym hydrożelem wskazuje drogę ku przyszłym układom, które będą obliczać za pomocą jonów zamiast elektronów i mogą pewnego dnia łączyć wykrywanie, chemię i energooszczędną inteligencję w elastycznym, przypominającym tkankę sprzęcie.

Cytowanie: 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

Słowa kluczowe: memrystor płynny, elektronika hydrożelowa, obliczenia neuromorficzne, obliczenia jonowe, obliczenia rezerwuarowe