Forskare vid Department of Energy's Oak Ridge National Laboratory, University of Tennessee och Texas A&M University demonstrerade bioinspirerade enheter som påskyndar vägar till neuromorf, eller hjärnliknande, datoranvändning.

Resultat publicerade i Naturkommunikation rapportera det första exemplet på en lipidbaserad "memcapacitor, "en laddningskomponent med minne som behandlar information ungefär som synapser gör i hjärnan. Deras upptäckt kan stödja framväxten av datanätverk baserade på biologi för ett sensoriskt tillvägagångssätt för maskininlärning.

"Vårt mål är att utveckla material och datorelement som fungerar som biologiska synapser och neuroner - med stor sammankoppling och flexibilitet - för att möjliggöra autonoma system som fungerar annorlunda än nuvarande beräkningsenheter och erbjuder nya funktioner och inlärningsmöjligheter, "sa Joseph Najem, en ny postdoktor vid ORNL:s Center for Nanophase Materials Sciences, en DOE Office of Science User Facility, och nuvarande biträdande professor i maskinteknik vid Penn State.

Det nya tillvägagångssättet använder mjuka material för att efterlikna biomembraner och simulera hur nervceller kommunicerar med varandra.

Teamet designade ett artificiellt cellmembran, bildas vid gränssnittet mellan två lipidbelagda vattendroppar i olja, att utforska materialets dynamik, elektrofysiologiska egenskaper. Vid applicerade spänningar, laddningar byggs upp på båda sidor av membranet som lagrad energi, analogt med hur kondensatorer fungerar i traditionella elektriska kretsar.

Men till skillnad från vanliga kondensatorer, memkondensatorn kan "komma ihåg" en tidigare applicerad spänning och - bokstavligen - forma hur information behandlas. De syntetiska membranen ändrar yta och tjocklek beroende på elektrisk aktivitet. Dessa formskiftande membran kan ställas in som adaptiva filter för specifika biofysiska och biokemiska signaler.

"Den nya funktionaliteten öppnar vägar för icke -digital signalbehandling och maskininlärning efter natur, "sa ORNL:s Pat Collier, en forskare från CNMS -personal.

En distinkt egenskap hos alla digitala datorer är separationen mellan bearbetning och minne. Information överförs fram och tillbaka från hårddisken och den centrala processorn, skapa en inneboende flaskhals i arkitekturen oavsett hur liten eller snabb hårdvaran kan vara.

Neuromorf beräkning, modellerad på nervsystemet, använder arkitekturer som är fundamentalt olika genom att minne och signalbehandling samlokaliseras i minneselement-memristors, memcapacitors och meminductors.

Dessa "memelements" utgör den synaptiska hårdvaran i system som efterliknar naturlig informationsbehandling, lärande och minne.

System utformade med minnesmärken erbjuder fördelar i skalbarhet och låg strömförbrukning, men det verkliga målet är att hitta en alternativ väg till artificiell intelligens, sa Collier.

Att utnyttja biologin kan möjliggöra nya datormöjligheter, särskilt när det gäller "edge computing, "till exempel bärbar och inbäddad teknik som inte är ansluten till ett moln utan istället fattar snabba beslut baserat på sensorisk input och tidigare erfarenheter.

Biologisk avkänning har utvecklats under miljarder år till ett mycket känsligt system med receptorer i cellmembran som kan plocka ut en enda molekyl av en specifik lukt eller smak. "Det här är inget vi kan matcha digitalt, Sa Collier.

Digital beräkning bygger på digital information, det binära språket för ettor och nollor som går genom elektroniska kretsar. Det kan efterlikna den mänskliga hjärnan, men dess solid-state-komponenter beräknar inte sensoriska data som en hjärna gör.

"Hjärnan beräknar sensorisk information som drivs genom synapser i ett neuralt nätverk som kan omkonfigureras och formas av inlärning, "sade Collier." Att införliva biologi - med hjälp av biomembraner som känner av bioelektrokemisk information - är nyckeln till att utveckla funktionaliteten i neuromorfisk datering. "

Medan många solid-state-versioner av minnesmärken har demonstrerats, teamets biomimetiska element representerar nya möjligheter för potentiella "spikande" neurala nätverk som kan beräkna naturliga data på naturliga sätt.

Spikande neurala nätverk är avsedda att simulera hur neuroner spetsar med elektrisk potential och, om signalen är tillräckligt stark, vidarebefordra det till sina grannar genom synapser, utarbeta inlärningsvägar som beskärs över tid för effektivitet.

En bioinspirerad version med analog databehandling är ett avlägset mål. Nuvarande tidigt forskning fokuserar på att utveckla komponenterna i biokretsar.

"Vi började med grunderna, en memristor som kan väga information via konduktans för att avgöra om en spik är tillräckligt stark för att sändas genom ett nätverk av synapser som förbinder neuroner, "sa Collier." Vår memkondensator går längre genom att den faktiskt kan lagra energi som en elektrisk laddning i membranet, möjliggör den komplexa "integrera och elda" aktiviteten hos neuroner som behövs för att uppnå täta nätverk som kan hjärnliknande beräkning. "

Teamets nästa steg är att utforska nya biomaterial och studera enkla nätverk för att uppnå mer komplexa hjärnliknande funktioner med minnesmärken.

Artikeln, "Dynamisk olinjär minneskapacitans i biomimetiska membran, "publiceras i Naturkommunikation .