Mikroprocessorer i smartphones, datorer och datacenter bearbetar information genom att manipulera elektroner genom solida halvledare, men våra hjärnor har ett annat system. De förlitar sig på manipulation av joner i vätska för att bearbeta information.

Inspirerade av hjärnan har forskare länge försökt utveckla "jonik" i en vattenlösning. Medan joner i vatten rör sig långsammare än elektroner i halvledare, tror forskare att mångfalden av joniska arter med olika fysikaliska och kemiska egenskaper kan utnyttjas för rikare och mer mångsidig informationsbehandling.

Jonisk datoranvändning är dock fortfarande i sina tidiga dagar. Hittills har labb bara utvecklat individuella joniska enheter som joniska dioder och transistorer, men ingen har satt ihop många sådana enheter till en mer komplex krets för beräkning förrän nu.

Ett team av forskare vid Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) har i samarbete med DNA Script, en bioteknisk startup, utvecklat en jonkrets som består av hundratals jontransistorer och utfört en kärnprocess av neural net computing .

Forskningen publiceras i Advanced Materials .

Forskarna började med att bygga en ny typ av jontransistor från en teknik som de nyligen banat väg för. Transistorn består av en vattenhaltig lösning av kinonmolekyler, sammansatt med två koncentriska ringelektroder med en mittskivelektrod, som en bullseye. De två ringelektroderna sänker elektrokemiskt och ställer in det lokala pH-värdet runt mittskivan genom att producera och fånga vätejoner. En spänning som appliceras på mittskivan orsakar en elektrokemisk reaktion för att generera en jonström från skivan ut i vattnet. Reaktionshastigheten kan påskyndas eller minskas – öka eller minska jonströmmen – genom att justera det lokala pH-värdet. Med andra ord, pH styr (styr) skivans jonström i vattenlösningen, vilket skapar en jonisk motsvarighet till den elektroniska transistorn.

De konstruerade sedan den pH-styrda jontransistorn på ett sådant sätt att skivströmmen är en aritmetisk multiplikation av skivspänningen och en "vikt"-parameter som representerar det lokala pH-värdet som styr transistorn. De organiserade dessa transistorer i en 16 × 16 array för att expandera den analoga aritmetiska multiplikationen av individuella transistorer till en analog matrismultiplikation, med arrayen av lokala pH-värden som fungerar som en viktmatris som påträffas i neurala nätverk.

"Matrix multiplikation är den vanligaste beräkningen i neurala nätverk för artificiell intelligens", säger Woo-Bin Jung, en postdoktor vid SEAS och den första författaren till artikeln. "Vår jonkrets utför matrismultiplikationen i vatten på ett analogt sätt som är helt baserat på elektrokemiska maskiner."

"Mikroprocessorer manipulerar elektroner på ett digitalt sätt för att utföra matrismultiplikation", säger Donhee Ham, Gordon McKay-professorn i elektroteknik och tillämpad fysik vid SEAS och seniorförfattaren till tidningen. "Medan vår jonkrets inte kan vara lika snabb eller exakt som de digitala mikroprocessorerna, är den elektrokemiska matrismultiplikationen i vatten charmig i sin egen rätt och har potential att vara energieffektiv."

Nu försöker teamet berika systemets kemiska komplexitet.

"Hittills har vi bara använt 3 till 4 joniska arter, såsom väte- och kinonjoner, för att möjliggöra gating och jontransport i den vattenhaltiga jontransistorn," sa Jung. "Det kommer att bli mycket intressant att använda fler olika joniska arter och att se hur vi kan utnyttja dem för att göra innehållet i information som ska bearbetas rikt."

Forskningen var medförfattare av Han Sae Jung, Jun Wang, Henry Hinton, Maxime Fournier, Adrian Horgan, Xavier Godron och Robert Nicol. + Utforska vidare

Kemister föreslår att man använder polymera joniska vätskor i superkondensatorer