Fluidisk memristor-nätverk i innesluten hydrogel för neuromorf beräkning

Varför en mjuk, vattenfylld krets spelar roll

De flesta av dagens datorer byggs av styvt kisel och elektronflöden, vilket skiljer sig mycket från de mjuka, våta nätverken i den mänskliga hjärnan. Denna studie visar hur en krets gjord av geler och flödande joner kan efterlikna vissa hjärnliknande förmågor, och antyder framtida enheter som är mer energieffektiva och som direkt kan känna av och reagera på kemikalier i sin omgivning.

Att omvandla hjärninspiration till en mjuk enhet

Hjärnan bearbetar information med laddade atomer som rör sig genom gelliknande förbindelser mellan nervceller. Inspirerade av detta skapade forskarna en liten elektrisk komponent kallad en fluidisk memristor genom att förena två mjuka hydrogeler inne i en mikroskopisk por i ett plastark. Den ena gelen bär fasta positiva laddningar och attraherar negativa joner, medan den andra är neutral och innehåller en utspädd saltlösning. Där de två gelen möts kan joner långsamt ansamlas eller dräneras beroende på applicerad spänning, vilket ger enheten ett inbyggt minne av tidigare signaler i form av förändrad elektrisk resistans.

Hur gelgränsen minns signaler

Genom att svepa spänningen över en enskild por observerade teamet en karakteristisk loopformad strömrespons som markerar verkligt minnesbeteende. Datorbaserade modeller visade att denna respons uppstår när joner ansamlas eller utarmas vid den smala gelgränsen över tid. Vid en spänningsriktning strömmar negativa joner mot gränsen och tränger sedan in i den neutrala gelen, vilket gör ledningsvägen lättare; i motsatt riktning dras de bort och gör den svårare att leda. Eftersom denna omfördelning tar tid att stabilisera ”kommer” enheten ihåg nyliga pulser som en tillfällig förändring i konduktans, ungefär som en biologisk synaps tillfälligt stärker eller försvagar efter aktivitet.

Att imitera inlärning i nervkopplingar

Forskarna utsatte sedan enheterna för korta spänningpulser som står för nervspikes. Par av tätt följande negativa pulser gjorde att den andra responsen växte, ett beteende som kallas facilitering, medan positiva pulser fick den andra responsen att minska, liknande depression i en verklig synaps. Sekvenser av pulser med olika frekvens, antal och bredd gav graderade förändringar i konduktans, vilket visar att enheten kan filtrera signaler i tiden och lagra flera viktgrader. Den fungerar vid millivolt-nivå och med energi i picojoule per puls, långt under typiska halvledarkretsar, och kan växlas pålitligt många gånger, vilket är avgörande för praktiska beräkningsuppgifter.

Från en por till ett tänkande rutnät

Då hydrogeler är lätta att skriva ut och härda på plats byggde teamet fullständiga korsnät genom att borra regelbundna rutnät av koniska porer i flexibel polyimid och fylla varje por med två-gelsstacken. En liten 3 × 3-matris visade enhetligt beteende över platserna, och en större 10 × 10-matris uppnådde 94 procents fungerande utbyte, vilket indikerar att den mjuka, inneslutna designen skalar väl. Matrisen kan också svara direkt på kemikalier: den biologiska bränslemolekylen ATP sipprar in i den laddade gelen, binder till den och minskar dess laddning, vilket i sin tur försvagar memristiva effekten och påskyndar förlusten av lagrade tillstånd — i praktiken använder kemin sig av att justera det synapsliknande beteendet.

Låta den mjuka hårdvaran känna igen siffror

För att testa riktig informationsbearbetning använde författarna matrisen som den dynamiska kärnan i en typ av maskininlärning kallad reservoir computing. Mönster av spänningpulser som representerade rader i svartvita sifferbilder matades in i utvalda porer, och de resulterande konduktansvärdena lästes in i ett enkelt mjukvarulager som utförde den slutliga klassificeringen. Med denna uppställning kände systemet korrekt igen datorgenererade siffermönster och uppnådde 89,5 procents noggrannhet på handskrivna siffror från MNIST-databasen, en vanlig referens inom artificiell intelligens, vilket visar att en måttlig jonbaserad matris kan hantera icke-triviala igenkänninguppgifter.

Vad detta betyder för framtidens mjuka datorer

Detta arbete visar att ett stort, ordnat rutnät av mjuka fluidiska memristorer kan byggas och användas för hjärninspirerad beräkning, samtidigt som det reagerar direkt på kemiska signaler. Även om utmaningar återstår, såsom långtidsstabilitet och att uppnå mer permanenta former av minne, pekar den inneslutna hydrogelmetoden mot framtida kretsar som beräknar med joner istället för elektroner och som en dag kan förena sensning, kemi och lågdriftsintelligens i flexibel, vävnadsliknande hårdvara.

Citering: 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

Nyckelord: fluidisk memristor, hydrogel-elektronik, neuromorf beräkning, jonbaserad beräkning, reservoir computing