Reservoir computing (RC) tar itu med komplexa problem genom att efterlikna hur information bearbetas i djurs hjärnor. Den förlitar sig på ett slumpmässigt anslutet nätverk som fungerar som en reservoar för information och i slutändan leder till mer effektiva utdata. För att realisera RC direkt i materia (istället för att simulera det i en digital dator), många reservoarmaterial har hittills undersökts. Nu har ett team inklusive forskare från Osaka University designat ett sulfonerat polyanilinnätverk för RC.

Neurala nätverk i hjärnan använder elektrokemiska signaler som bärs av joner. Därför, ett elektrokemiskt tillvägagångssätt är ett logiskt val när man väljer materialsystem för RC. Organiska elektrokemiska fälteffekttransistorer (OECFET) är populära inom bioelektronik; dock, de har ännu inte använts i stor utsträckning för RC.

Nyckeln till reservoarmaterialet är att det har ett rikt (tidsberoende) beteende och är oordnat, vilket gör polymermaterial till ett utmärkt alternativ eftersom de bildar slumpmässiga nätverk av sig själva.

Polyanilin är en lovande polymer för RC-applikationer, eftersom det är lätt att polymerisera, har god stabilitet i atmosfären, och har reversibelt doping-/avdopingbeteende, vilket innebär att dess ledning kan ändras.

Forskarna undersökte sulfonerad polyanilin (SPAN), som, förutom fördelarna med polyanilin, har hög vattenlöslighet och självdopingbeteende. Dessa gör SPAN lättare att arbeta med och dopningen mer enhetlig.

"Atmosfäriska protoner injiceras direkt i polymerkedjan av SPAN, som får den att uppträda, " förklarar studiens huvudförfattare Yuki Usami. "Denna ledning kan sedan kontrolleras genom att justera luftfuktigheten."

Forskarna använde en enkel droppgjutningsmetod för att montera SPAN på guldelektroder för att ge en organisk elektrokemisk nätverksenhet (OEND).

SPAN OEND testades för RC genom att kontrollera vågformen och bedöma dess prestanda i korttidsminnesuppgifter. Resultaten av ett test för att se hur väl tal kunde kännas igen uppnådde 70 % noggrannhet. Denna förmåga hos SPAN OEND var jämförbar med en mjukvarusimulering av RC.

"Vi har visat att vårt SPAN OEND-system kan tillämpas i RC, " säger studiens motsvarande författare Takuya Matsumoto. "Framtida steg för att etablera system som inte är beroende av fukt kommer att ge mer praktiska alternativ; dock, framgången för vårt SPAN-baserade system är ett positivt steg för materialbaserad reservoarberäkning, vilket förväntas ha en betydande inverkan på nästa generations artificiell intelligens-enheter."