Hjärnan kräver förvånansvärt lite energi för att anpassa sig till miljön för att lära sig, göra tvetydiga erkännanden, har hög igenkänningsförmåga och intelligens, och utföra komplex informationsbehandling.

De två nyckelfunktionerna i neurala kretsar är "synapsers inlärningsförmåga" och "nervimpulser eller spikar." Allt eftersom hjärnvetenskapen fortskrider, hjärnans struktur har gradvis klargjorts, men det är för komplicerat för att helt efterlikna. Forskare har försökt replikera hjärnans funktion genom att använda förenklade neuromorfa kretsar och enheter som efterliknar en del av hjärnans mekanismer.

Vid utveckling av neuromorfa chips för att artificiellt replikera kretsarna som efterliknar hjärnans struktur och funktion, funktionerna för generering och överföring av spontana toppar som efterliknar nervimpulser (spikar) har ännu inte utnyttjats fullt ut.

En gemensam grupp forskare från Kyushu Institute of Technology och Osaka University studerade nuvarande korrigeringskontroll i korsningar av olika molekyler och partiklar absorberade på enkelväggiga kolnanorör (SWNT), med hjälp av konduktiv atomkraftsmikroskopi (C-AFM), och upptäckte att en negativ differentialresistens producerades i polyoxometalat (POM) molekyler absorberade på SWNT. Detta tyder på att ett instabilt dynamiskt icke-jämviktstillstånd inträffar i molekylära korsningar.

Dessutom, forskarna skapade extremt täta, slumpmässiga SWNT/POM-nätverk molekylära neuromorfa enheter, genererar spontana toppar liknande nervimpulser från neuroner (Figur 1).

POM består av metallatomer och syreatomer för att bilda en 3-dimensionell ram. (Figur 2) Till skillnad från vanliga organiska molekyler, POM kan lagra laddningar i en enda molekyl. I den här studien, man trodde att negativt differentiellt motstånd och spikgenerering från nätverket orsakades av icke-jämviktsladdningsdynamik i molekylära förbindelser i nätverket.

Således, den gemensamma forskargruppen ledd av Megumi Akai-Kasaya genomförde simuleringsberäkningar av den slumpmässiga molekylära nätverksmodellen komplexbunden med POM-molekyler, som kan lagra elektriska laddningar, replikerande spikar genererade från det slumpmässiga molekylära nätverket. (Figur 3 till vänster) De visade också att denna molekylära modell mycket troligt skulle bli en komponent i reservoarberäkningsenheter. Reservoarberäkning förväntas bli nästa generations artificiell intelligens (AI). (Figur 3) Deras forskningsresultat publicerades i Naturkommunikation .

"Betydningen av vår studie är att en del av hjärnans funktion replikerades av nanomolekylära material. Vi visade möjligheten att det slumpmässiga molekylära nätverket i sig kan bli neuromorf AI, " säger huvudförfattaren Hirofumi Tanaka.

Det förväntas att denna grupps prestationer i hög grad kommer att bidra till utvecklingen av framtidens neuromorfa enheter.