En ny elektronisk enhet kan utvecklas vid University of Michigan kan direkt modellera beteendet hos en synaps, som är en förbindelse mellan två neuroner.

För första gången, hur neuroner delar eller konkurrerar om resurser kan utforskas i hårdvara utan att behöva komplicerade kretsar.

"Neurovetenskapsmän har hävdat att konkurrens- och samarbetsbeteenden bland synapser är mycket viktiga. Våra nya memristive-enheter gör att vi kan implementera en trogen modell av dessa beteenden i ett solid state-system, "sa Wei Lu, U-professor i elektroteknik och datorteknik och seniorförfattare till studien i Naturmaterial .

Memristorer är elektriska motstånd med minne - avancerade elektroniska enheter som reglerar ström baserat på historiken för spänningarna som appliceras på dem. De kan lagra och bearbeta data samtidigt, vilket gör dem mycket effektivare än traditionella system. De kan möjliggöra nya plattformar som bearbetar ett stort antal signaler parallellt och som kan avancera maskininlärning.

Memristor är en bra modell för en synaps. Det härmar det sätt på vilket förbindelserna mellan neuroner stärks eller försvagas när signaler passerar genom dem. Men förändringarna i konduktans kommer vanligtvis från förändringar i formen på kanalerna för ledande material i memristoren. Dessa kanaler - och memristorns förmåga att leda elektricitet - kunde inte kontrolleras exakt i tidigare enheter.

Nu, U-M-teamet har gjort en memristor där de har bättre kontroll över de ledande vägarna. De utvecklade ett nytt material av halvledarmolybdendisulfiden-ett "tvådimensionellt" material som kan skalas i lager med bara några atomer tjocka. Lu's team injicerade litiumjoner i luckorna mellan molybden -disulfidlager.

De fann att om det finns tillräckligt med litiumjoner närvarande, molybdensulfiden omvandlar sin gitterstruktur, gör det möjligt för elektroner att lätt springa genom filmen som om det vore en metall. Men i områden med för få litiumjoner, molybdensulfiden återställer sin ursprungliga gitterstruktur och blir en halvledare, och elektriska signaler har svårt att ta sig igenom.

Litiumjonerna är lätta att ordna om i lagret genom att skjuta dem med ett elektriskt fält. Detta ändrar storleken på de regioner som leder elektricitet lite efter lite och styr därigenom enhetens konduktans.

"Eftersom vi ändrar filmens" bulk "-egenskaper, konduktansförändringen är mycket mer gradvis och mycket mer kontrollerbar, "Sa Lu.

Förutom att enheterna beter sig bättre, den lagrade strukturen gjorde att Lu's team kunde länka flera memristorer tillsammans genom delade litiumjoner - vilket skapade en slags anslutning som också finns i hjärnan. En enda neurons dendrit, eller dess signalmottagande ände, kan ha flera synapser som förbinder den med andra neurons signalarmar. Lu jämför tillgängligheten av litiumjoner med tillgången på ett protein som gör att synapser kan växa.

Om tillväxten av en synaps frigör dessa proteiner, kallas plasticitetsrelaterade proteiner, andra synapser i närheten kan också växa - detta är samarbete. Neurovetenskapsmän har hävdat att samarbete mellan synapser hjälper till att snabbt bilda levande minnen som varar i årtionden och skapar associativa minnen, som en doft som påminner dig om din mormors hus, till exempel. Om proteinet är knappt, den ena synapsen kommer att växa på bekostnad av den andra - och denna tävling parar ner våra hjärnans förbindelser och hindrar dem från att explodera med signaler.

Lu's team kunde visa dessa fenomen direkt med hjälp av sina memristor -enheter. I tävlingsscenariot, litiumjoner tappades bort från enhetens ena sida. Sidan med litiumjonerna ökade sin konduktans, efterlikna tillväxten, och konduktansen hos enheten med lite litium stuntades.

I ett samarbetsscenario, de skapade ett memristor -nätverk med fyra enheter som kan utbyta litiumjoner, och sipprade sedan några litiumjoner från en enhet ut till de andra. I detta fall, inte bara kunde litiumdonatorn öka sin konduktans - de andra tre enheterna kunde också, även om deras signaler inte var lika starka.

Lu's team bygger för närvarande nätverk av memristors som dessa för att utforska deras potential för neuromorf datorbearbetning, som efterliknar hjärnans kretsar.