Fysiskt ekotillståndsnätverk baserat på icke-linjär och dynamisk respons hos ambipolära heterostrukturtransistorer

Varför detta är viktigt för vardagsteknik

Från röstassistenter till väderappar förlitar sig många av dagens smarta verktyg på att upptäcka mönster som förändras över tid, som uttalade ord, hjärtslag eller stormbanor. Traditionella datorchip har svårt att hantera denna typ av tidsbaserade data effektivt eftersom de aldrig designades för att fungera som en hjärna. Denna artikel rapporterar en ny slags hårdvarubyggsten—små enheter kallade ambipolära transistorer—kopplade tillsammans för att efterlikna ett särskilt hjärninspirerat nätverk känt som ett ekotillståndsnätverk. Resultatet är ett fysiskt beräkningssystem som kan känna igen bilder, tolka signaler och förutsäga hur komplexa processer kommer att utvecklas, samtidigt som det använder mycket lite energi.

En ny typ av hjärninspirerad krets

Konventionella chip separerar minne och bearbetning och skickar data fram och tillbaka på ett sätt som slösar tid och energi. Neuromorf beräkning tar en annan väg: den försöker föra samman minne och bearbetning i nätverk som beter sig mer som grupper av neuroner och synapser i hjärnan. Ekotillståndsnätverk är en särskild typ av sådana nätverk. De skickar inkommande signaler in i ett stort, fast nätverk av sammankopplade enheter kallat ett reservoir, där signalerna blandas och ekas över tid. Endast det slutliga lässkiktet tränas, vilket förenklar inlärningen avsevärt. Författarna ställde en nyckelfråga: kan detta reservoir byggas direkt av fysiska enheter i stället för att simuleras i programvara, så att hårdvaran i sig naturligt utför det tunga lyftet?

Ambipolära transistorer som artificiella neuroner och synapser

Gruppen konstruerade transistorer tillverkade av ett staplat organiskt– oorganiskt materialpar: ett zinkoxidlager och en polymer kallad P3HT. Genom att noggrant välja tjockleken på varje lager skapade de enheter som kan bära både positiv och negativ laddning med liknande lätthet—en egenskap som kallas ambipolär ledning. Dessa transistorer har ett område där deras elektriska respons är nästan linjär, och ett annat område där responsen böjer sig mjukt i en S-form, mycket lik den matematiska tanh-funktionen som används som aktiveringssteg i många neurala nätverk. I det linjära läget fungerar de som justerbara kopplingar (synapser) som utför viktade summor. I det mättade läget beter de sig som neuroner som trycker ihop signaler till ett begränsat intervall. Eftersom strömmen genom varje enhet också beror på nyliga spänningsförändringar, kommer hårdvaran naturligt ihåg kortsiktig historia och ger därmed reservoiret en inbyggd tidskänsla.

Från handskrivna siffror till kaotiska väderliknande system

För att testa detta fysiska ekotillståndsnätverk arrangerade forskarna dessa ambipolära transistorer i matriser och kopplade dem till enkla in- och utgångskretsar. De började med mönsterigenkänning med välkända bilddatamängder. Genom att mata in avplattade bilder av handskrivna siffror och klädesplagg i transistorreservoiret uppnådde de cirka 95 % noggrannhet för sifferigenkänning och 86 % för modeföremål i ett grundläggande driftläge, och nästan 97 % respektive 87 % när de utnyttjade enheternas dynamiska beteende mer fullt genom smart pulskodning. De gick sedan bortom statiska bilder till verkliga tidsserieproblem. Systemet förutsade rörelsen hos en Lorenz-attractor—en klassisk modell för kaotisk, väderliknande dynamik—med mycket låg felmarginal, och prognostiserade också rörelsen och förekomsten av en verklig tyfons centrum över tid.

Lyssna på hjärtan och läsa känslor

Eftersom många verkliga problem involverar mer än en datatyp utforskade teamet också multimodala uppgifter. De omvandlade elektrokardiogramsignaler till både endimensionella vågformer och tvådimensionella tid‑frekvensbilder, och skickade båda in i samma ambipolära reservoir. Genom att kombinera de resulterande interna tillstånden klassificerade systemet hjärtsignalmönster mer träffsäkert än när man använde någon av modes ensam. I en annan studie använde de reservoiret som ett front-end för att analysera en datamängd med mänskligt tal, text och ansiktsuttryck. När dessa ljud-, språk- och visuella funktioner först bearbetades genom det ambipolära nätverket och sedan skickades till en standard programvaruklassificerare ökade igenkänningsnoggrannheten märkbart jämfört med enbart programvara. I samtliga tester presterade ambipolära enheter konsekvent bättre än enklare n-typ eller p-typ transistorer, tack vare deras balanserade respons på positiva och negativa signaler och rikare interna dynamik.

Vad detta innebär för framtida smarta enheter

För icke-specialister är huvudslutsatsen att detta arbete förvandlar en matematisk idé—ekotillståndsnätverket—till påtaglig hårdvara där varje transistor beter sig lite som en liten, responsiv neuron och synaps i ett. Eftersom reservoirets interna kopplingar aldrig behöver tränas, och eftersom enheterna själva erbjuder både icke-linjäritet och korttidsminne, kan det resulterande systemet hantera uppgifter såsom bildigenkänning, signalanalys och tidsserieprognoser med enklare algoritmer och potentiellt mycket lägre energiförbrukning. Detta pekar mot en väg för framtida chip som mer naturligt kan bearbeta informationsströmmar på samma sätt som våra hjärnor gör, vilket möjliggör smartare, mer effektiva sensorer, wearables och prognosverktyg utan de stora beräkningskostnaderna hos dagens djupinlärningsmaskineri.

Citering: Zhong, WM., Zhang, W., Zeng, YX. et al. Physical echo state network based on the nonlinearity and dynamic response of ambipolar heterostructure transistors. Nat Commun 17, 3321 (2026). https://doi.org/10.1038/s41467-026-70171-2

Nyckelord: neuromorf hårdvara, ekotillståndsnätverk, ambipolär transistor, tidsserieprognos, reservoir computing