Кросс-бар-массив жидкостных мемристоров на основе ограниченного гидрогеля для нейроморфных вычислений

Почему важен мягкий, водяной чип

Большая часть современных компьютеров сделана из жёсткого кремния и использует потоки электронов — это существенно отличается от мягких, влажных сетей человеческого мозга. В этом исследовании показано, как чип из гелей и движущихся ионов может воспроизвести некоторые способности мозга, намекая на будущие устройства с более высокой энергоэффективностью, способные напрямую ощущать и реагировать на химические вещества в окружении.

Перенос вдохновения от мозга в мягкое устройство

Мозг обрабатывает информацию с помощью заряженных атомов, движущихся через гелеобразные связи между нейронами. Вдохновлённые этим, исследователи создали микроскопический электрический элемент — жидостной мемристор — из двух мягких гидрогелей, соединённых внутри микропоры в пластиковой плёнке. Один гель несёт фиксированные положительные заряды и притягивает отрицательные ионы, а другой нейтрален и содержит разбавленный солевой раствор. В месте контакта гелей ионы могут медленно накапливаться или уходить в зависимости от приложенного напряжения, обеспечивая у устройства встроенную память о прошлых сигналах в виде изменения электрического сопротивления.

Как интерфейс геля запоминает сигналы

При пролистывании напряжения через одну пору команда наблюдала петлеобразную форму токового отклика, характерную для настоящего поведения с памятью. Модели показали, что такой отклик возникает из-за накопления или истощения ионов на узком интерфейсе гелей с течением времени. В одном направлении напряжения отрицательные ионы устремляются к интерфейсу и затем переливаются в нейтральный гель, облегчая проводимость; в обратном направлении они оттягиваются, затрудняя её. Поскольку эта перестройка требует времени для установления, устройство «помнит» недавние импульсы как временное изменение проводимости, аналогично тому, как биологический синапс временно усиливается или ослабляется после активности.

Имитирование обучения в нервных соединениях

Далее исследователи стимулировали устройства короткими напряжениями, имитирующими нервные спайки. Пары тесно расположенных отрицательных импульсов вызывали рост второго отклика — поведение, называемое фасилитацией, в то время как положительные импульсы уменьшали второй отклик, напоминая депрессию в реальном синапсе. Последовательности импульсов с разной частотой, количеством и длительностью вызывали градуированные изменения проводимости, показывая, что устройство может фильтровать сигналы по времени и хранить несколько уровней веса. Оно работает при милливольтных напряжениях и потребляет энергию на уровне пикоджоулей на импульс, что значительно ниже типичных твердотельных схем, и может надежно переключаться множество раз — что важно для практических вычислительных задач.

От одной поры к мыслящей сетке

Поскольку гидрогели легко печатать и отверждать прямо на месте, команда построила полноценные кросс-бар-массивы, просверлив регулярные сетки конических пор в гибком полиимиде и заполнив каждую двумя гелями. Небольшая матрица 3 × 3 показала однородное поведение по всем точкам, а большая 10 × 10 достигла 94-процентного выхода годных устройств, что указывает на хорошую масштабируемость мягкого, ограниченного дизайна. Массив также может прямо реагировать на химические вещества: биологическая топливная молекула АТФ проникает в заряженный гель, связывается с ним и снижает его заряд, что ослабляет мемристивный эффект и ускоряет потерю сохранённых состояний — фактически химия используется для настройки синапсо-подобного поведения.

Позволяя мягкому оборудованию распознавать цифры

Для проверки реальной обработки информации авторы использовали массив как динамическое ядро метода машинного обучения, называемого резервуарными вычислениями. Шаблоны напряжений, представляющие строки чёрно-белых изображений цифр, подавались в выбранные поры, а полученные значения проводимости считывались в простую программную прослойку для окончательной классификации. В такой конфигурации система правильно распознавала сгенерированные компьютером шаблоны цифр и достигла точности 89,5 процента на рукописных цифрах из базы MNIST, общепринятого бенчмарка в ИИ, показав, что сравнительно скромный ионный массив способен решать нетривиальные задачи распознавания.

Что это значит для будущих мягких компьютеров

Эта работа доказывает, что можно построить и использовать большой упорядоченный массив мягких жидостных мемристоров для мозго-подобных вычислений, при этом напрямую реагирующий на химические сигналы. Хотя остаются проблемы, такие как долговременная стабильность и достижение более постоянных форм памяти, подход с ограниченным гидрогелем указывает путь к будущим микросхемам, вычисляющим с помощью ионов вместо электронов и способным когда-нибудь объединить сенсорику, химию и энергоэффективный интеллект в гибком, похожем на ткань оборудовании.

Цитирование: 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

Ключевые слова: жидостной мемристор, гидрогелевой электроника, нейроморфные вычисления, вычисления на ионах, резервуарные вычисления