ORNL的纳米相材料科学中心的研究人员展示了基于脂质的仿生膜中电容的第一个例子，它开辟了非数字途径来进行类似大脑的高级计算。
能源部的橡树岭国家实验室，田纳西大学和德克萨斯农工大学的研究人员展示了受生物启发的设备，这些设备可以加速通往神经形态或类似大脑的计算之路。
发表在《自然通讯》上的结果报告了基于脂质的“记忆电容器”的第一个例子，这是一种带有记忆的电荷存储组件，其处理信息的方式与突触在大脑中的处理方式非常相似。他们的发现可能支持以生物学为模型的计算网络的出现，从而为机器学习提供一种感官方法。
最近的约瑟夫·纳耶姆（Joseph Najem）表示：“我们的目标是开发具有类似生物突触和神经元功能的材料和计算元件，并具有广泛的互连性和灵活性，以使自治系统的运行方式不同于当前的计算设备，并提供新的功能和学习能力。美国俄勒冈州立大学纳米相材料科学中心博士后研究员，美国能源部科学用户设施办公室，宾夕法尼亚州立大学机械工程系现任助理教授。
这种新颖的方法使用柔软的材料来模仿生物膜，并模拟神经细胞相互交流的方式。
该小组设计了一种人造细胞膜，该膜形成在油中两个脂质包裹的水滴的界面处，以探索该材料的动态，电生理特性。在施加电压时，电荷作为存储的能量在膜的两侧累积，类似于电容器在传统电路中的工作方式。
但是，与常规电容器不同，记忆电容器可以“记住”以前施加的电压，并且从字面上看可以改变信息的处理方式。合成膜根据电活性改变表面积和厚度。这些变形膜可以被调谐为针对特定生物物理和生化信号的自适应滤波器。
ORNL的CNMS职员研究科学家Pat Collier说：“新颖的功能为仿照自然界的非数字信号处理和机器学习开辟了道路。”
所有数字计算机的显着特征是处理和内存的分离。信息从硬盘驱动器和中央处理器之间来回传递，无论硬件多小或多快，都会在体系结构中造成固有的瓶颈。
以神经系统为模型的神经形态计算所采用的架构在本质上是不同的，因为内存和信号处理共同位于内存元件（忆阻器，忆阻器和忆阻器）中。
这些“要素”构成了模仿自然信息处理，学习和记忆的系统的突触硬件。
科利尔说，采用内存元件设计的系统在可扩展性和低功耗方面具有优势，但真正的目标是开辟一条通往人工智能的替代之路。
涉足生物学可以带来新的计算可能性，特别是在“边缘计算”领域，例如可穿戴和嵌入式技术，这些技术未连接到云，而是根据感官输入和过去的经验做出即时决策。
生物传感已经发展了数十亿年，成为一种高度敏感的系统，其细胞膜中的受体能够挑选出具有特定气味或味道的单个分子。“这不是我们可以用数字方式匹配的东西，”科利尔说。
数字计算是围绕数字信息构建的，数字信息是通过电子电路进行的1和0的二进制语言编码。它可以模拟人的大脑，但其固态组件无法像人脑那样计算感觉数据。
“大脑计算通过神经网络中的突触推动的感觉信息，该神经网络可通过学习进行重新配置和塑造，” Collier说。“整合生物学-使用感知生物电化学信息的生物膜-是开发神经形态计算功能的关键。”
尽管已经证明了多种固态记忆蛋白，但该团队的仿生元素为潜在的“加标”神经网络提供了新的机会，这些神经网络可以以自然方式计算自然数据。
尖峰神经网络旨在模拟神经元电位尖峰的方式，如果信号足够强，则通过突触将其传递给邻居，从而找出为提高效率而不断修剪的学习途径。
具有模拟数据处理功能的具有生物启发性的版本是一个遥远的目标。当前的早期研究重点是开发生物电路的组件。
“我们从基础开始，忆阻器可以通过电导权衡信息，以确定尖峰是否足够强到可以通过连接神经元的突触网络进行广播的时间，” Collier说。“我们的电容器具有进一步的优势，因为它实际上可以将能量作为电荷存储在膜中，从而使神经元能够进行复杂的'整合和发射'活动，以实现能够进行类似于大脑计算的密集网络。”
该小组的下一步是探索新的生物材料并研究简单的网络，以实现具有memelements的更复杂的类似于大脑的功能。
该期刊文章发表为“仿生膜中的动态非线性记忆电容”。
该研究部分在CNMS进行。
UT-Battelle为美国能源部科学办公室管理ORNL。科学局是美国物理学领域基础研究的最大支持者，致力于解决当今时代最紧迫的挑战。
参考：Joseph S. Najem，Md Sakib Hasan，R。Stanley Williams，Ryan J. Weiss，Garrett S. Rose，Graham J. Taylor，Stephen A. Sarles和C. Patrick Collier撰写的“仿生膜中的动态非线性存储电容” 2019年7月，自然通讯.DOI：
10.1038 / s41467-019-11223-8
