Skalbara nanopartikelbaserade datorarkitekturer har flera begränsningar som allvarligt kan äventyra användningen av nanopartiklar för att manipulera och bearbeta information genom molekylära datorsystem. von Neumann-arkitekturen (VNA) ligger till grund för operationerna av flera godtyckliga molekylära logiska operationer i ett enda chip utan att koppla om enheten. I en ny rapport, Sungi Kim och ett team av forskare vid Seoul National University i Sydkorea utvecklade det nanopartikelbaserade VNA (NVNA) på ett lipidchip. Nanopartiklarna på lipidchippet fungerade som hårdvaran – med minnen, processorer och utgångsenheter. Teamet använde DNA-strängar som programvara för att ge molekylära instruktioner för att programmera logikkretsarna. Den nanopartikelbaserade von Neuman-arkitekturen (NVNA) gjorde det möjligt för en grupp av nanopartiklar att bilda ett frammatningsneuralt nätverk känt som en perceptron (en typ av konstgjorda neurala nätverk). Systemet kan implementera funktionellt kompletta booleska logiska operationer för att tillhandahålla en programmerbar, återställningsbar och skalbar datorarkitektur och kretskort för att bilda neurala nanopartikelnätverk och fatta logiska beslut. Verket är nu publicerat på Vetenskapens framsteg .

von Neumann-arkitekturen i modern datoranvändning och molekylär beräkning

Elektroniska datorer från det förflutna kunde bara köra ett fast program och forskare var tvungna att fysiskt koppla om och strukturera om processer för att omprogrammera sådana maskiner. von Neumann-arkitekturen (VNA) utvecklad av John von Neumann 1945 och senare citerad av Alan Turing i hans förslag till den automatiska datormotorn, beskriver en dator med lagrat program för att utföra en uppsättning instruktioner. Systemet bearbetade information genom att sekventiellt hämta de lagrade data och instruktioner från minnet för att generera utdata. Den kraftfulla programmerbarheten hos VNA är tillämplig för moderna datorer och i kvantberäkningar.

Molekylär beräkning med nanostrukturer kan tillåta en mängd olika tekniker såsom nanopartikellogiska grindar, enmolekylära biosensorer och logisk avkänning, även om sådana system är begränsade till ett enda program ungefär som tidiga elektroniska datorer. Gränserna uppstod sedan forskare införlivade mjukvaran (funktionen) och nanostrukturell hårdvara som en enhet. För att övervinna denna utmaning, de kan inkludera lipiddubbelskikt för att kompartmentalisera molekyler och nanopartiklar. Kim et al. hade tidigare utvecklat en datorplattform med nanopartiklar på ett lipiddubbelskikt för att bilda en nano-bio-beräkningslipidnanotablet (LNT). I det här arbetet, de designade och realiserade en nanopartikelbaserad von Neuman architecture (NVNA) plattform för molekylär beräkning på en lipid nanotablet (LNT).

Teamet skapade en lagrad programenhet för att implementera molekylär beräkning via von Neumann-arkitekturen med nanopartiklar, samtidigt som konceptet minne för att lagra molekylär information ingår. De separerade mjukvaran och hårdvaran för skalbarhet av informationsbearbetning i lipid nanotablet (LNT) för att utföra flera beräkningsuppgifter utan att utveckla en ny enhet varje gång. För att komponera LNT-hårdvaruchippet, de använde tre typer av DNA-modifierade nanopartiklar, inklusive nano-minnet (NM), nano-floater (NF), och nano-reporter (NR). Nano-minnet och nano-reportern var orörliga nanopartiklar som fungerade som en molekylär informationslagringsenhet och utdataenhet, respektive. De hänvisade till de mobila nanopartiklarna som nano-floaters som fritt diffunderade och kolliderade med orörliga partiklar. Forskarna funktionaliserade de plasmoniska nanopartiklarna genom att modifiera dem med tiolerade DNA-oligonukleotider. Sedan för datalagring, de laddade olika koncentrationer av NF, NM och NR nanopartiklar på lipid nanotabletten (LNT). För att utveckla programvaran, Kim et al. använde en uppsättning instruktions-DNA i lösning, och den logiska operationen följde tre steg.

Teamet lagrade först den molekylära informationen på nanominnesenheten (NM) via DNA-hybridisering. Till exempel, en enda NM-partikel skulle kunna bilda en en-bits minnesenhet i vilken noll eller ett representerade det bistabila tillståndet. I det andra steget, de utförde den logiska operationen som en kombination av instruktions-DNA, att initiera konkurrenskraftig nanopartikel-nanopartikelmontering med olika kinetik baserad på nano-minnestillståndet. För att återställa datorchippet till dess ursprungliga tillstånd, Kim et al. lagt till en återställningslösning (låg saltbuffert och hög temperatur), som lossade ingångs- och instruktions-DNA-basparningarna på chipet.

Kim et al. använde två typer av instruktions-DNA som heter Trap och Report DNA för att ge instruktioner för nano-floaters. De designade specifikt Trap DNA för att binda nano-floaters för att bilda logiska beslutsfattande nanopartiklar. Teamet optimerade koncentrationen av instruktions-DNA och densiteten av varje nanopartikel för att inducera snabb fångstkinetik jämfört med rapportering. Konkurrensmässiga fångst- och rapporteringsbeteenden resulterade i bindningskinetik uttryckt som ett om-då-annat-påstående, tillåta dem att först söka efter om If-villkoret uppfyllde TRUE eller FALSE operationer och sedan använda "då" eller "annat"-satsen. Forskarna implementerade den logiska operationen genom att blanda trap-DNA och Report DNA i NVNA-LNT-chippet. Under processen, de noterade sammankomsten av några logiskt förbjudna stater, som de optimerade ytterligare.

Nanopartikelneurala nätverk med återställning och återanvändbarhet

Teamet representerade reaktionsnätverket mellan flera nanopartiklar kopplade via instruktions-DNA, med hjälp av en perceptron – en typ av artificiellt neurala nätverk för en binär klassificerare. De utökade programmeringsstrategin för att konstruera nanopartikelneurala nätverket (NNN) på LNT-plattformen och implementerade godtyckliga booleska logiska kretsar för tvåbitars ingångar. Sedan beräknade de antalet nanopartikelnoder som behövs för att funktionellt komplettera booleska logikoperatörer på det neurala nätverket. Hårdvaran förlitade sig på kovalent modifierade nanostrukturer på ett lipidchip för flera avrättningar. De testade återställningsfunktionen för systemet för återanvändning genom att dehybridisera alla DNA-enheter efter att ha bytt buffertlösningen i installationen. Återställningen gjorde att enbart tiolerat DNA kunde stanna kvar på nanopartiklarna, och återgår därigenom till utgångsläget för nästa funktion.

Beslutsprocessen och fan-out logikporten

Kim et al. utforskade sedan systemet med ett sekventiellt beslutsträd. Beslutsträdet liknade ett flödesschema för att ta fram ett slutgiltigt beslut om JA eller NEJ i nanopartikelns neurala nätverk. På grund av deras nanoskala geometriska egenskaper och optiska egenskaper, den plasmoniska nanopartikelkärnan i lipidnanotabletten var kritisk för datoranvändning. När antalet nanopartikelnoder och den medföljande komplexiteten hos den logiska kretsen ökade, reaktionskinetiken förblev identisk på grund av parallella reaktioner av flerskiktsperceptronen. Teamet använde kraftfull programmerbarhet och återställningsfunktionen för installationen för att sekventiellt använda tvåbitars komparatorn.

På det här sättet, Sungi Kim och kollegor utvecklade en nanopartikelperceptron med den nanopartikelbaserade von Neuman-arkitekturen (NVNA) på ett lipid nanotablet (LNT)-chip och utforskade systemet med ett sekventiellt beslutsträd. Inställningen inkluderade en återställningsfunktion för återanvändning. Den nanopartikelbaserade datorarkitekturen och nanopartikelneurala nätverket (NNN) gav en plattform för molekylär beräkning tillsammans med instruktions-DNA. Processen möjliggjorde skalbarhet och banar väg för att använda nanopartiklar i djupinlärning, neurala gränssnitt och neuromorfisk databehandling för att hantera och analysera komplex biomolekylär information. Denna datorarkitektur kan bäddas in i mikrofluidik för att efterlikna och förhöra komplexa levande system för att utveckla smarta läkemedelsscreeningssystem.

© 2020 Science X Network