编辑 | 绿萝
为了实现超越冯·诺依曼瓶颈的分子尺度电操作，需要新型的多功能开关，通过在依赖于过去的多个操作之间动态切换来模拟自学习或神经形态计算。
在这里，来自爱尔兰利莫瑞克大学（University of Limerick，UL）研究团队的一项发现首次表明，在原子和分子的最小尺度上进行非常规类脑计算是可能的。该团队合作开发了一个 2.4 纳米厚的分子层，比一缕头发薄 50,000 倍，并且在电子穿过它时会记住它的「历史」，可以从其过去的行为中学习。
UL 物理系分子建模 Damien Thompson 教授解释说：「开关概率和开/关状态的值在分子材料中不断变化，这为传统的只能开或关的硅基数字开关提供了一种颠覆性的新选择。」
该研究以「Dynamic molecular switches with hysteretic negative differential conductance emulating synaptic behaviour」为题，于 2022 年 11 月 21 日发布在《Nature Materials》上。
论文链接：www.nature.com/articles/s4…
受大脑能效和对微型电子产品不断增长的需求的启发，人们有动力开发模仿神经元和突触动态特性的设备，以创建可训练的自适应计算网络或用于各种应用深度学习的新硬件，其中包括模式识别、分类或实现非冯诺依曼神经形态计算。
神经形态计算围绕模拟电子系统中的突触可塑性展开。目前，这类操作使用复杂、能效低、占地面积大的硅基电路，或基于铁电或相变材料、细丝或掺杂剂迁移的中尺度记忆系统来完成。在这种情况下，分子开关因其固有的小尺寸而很有吸引力，但到目前为止分子开关是静态的，这意味着它们在固定的开和关状态（如磁性、氧化还原或构象状态）之间切换。
在这里，研究人员报告了隧道结中的动态分子开关 (DMS)，它会记住其历史，从而开关概率以及开和关状态的值不断变化。这种动态开关成功地模拟了突触行为、巴甫洛夫学习，并且通过利用连接点的时域可塑性，模拟了深度学习所需的所有两端逻辑门。
这些功能在单个分子层（2.4 nm 厚）内提供，该分子层比神经元突触（~1-10µm）至少小三个数量级，甚至比突触间隙（~20-40nm）更薄一个数量级。这种动态特性代表了一类新的多功能分子开关，它简化了受大脑启发的电子设备，并为分子尺度的神经形态计算打开了大门。
神经形态电子学的目标之一是生产出在硬件层面进行训练的计算系统，但用于这样做的分子硬件尚不可用。与迄今为止研究的分子开关不同，包括突触在内的生物开关本质上是动态的，因为它们在远离热力学平衡的地方运行，因此可以进行训练。
在突触中，信息以动作电位的形式通过突触间隙从突触前神经元传递到突触后神经元，由兴奋性和抑制性神经输入共同调节。通过耦合不同的过程，每个过程都具有不同的时间常数，这里快速去极化耦合到 Ca2+ 和神经递质的缓慢扩散，突触可以根据它们的活动得到加强或减弱，从而导致突触可塑性，从而促进脉冲对 (PPF ) 和抑制 (PPD) 具有尖峰率和时间依赖性可塑性。
DMS 包含在连接中，由金底部电极与 EGaIn顶部电极接触的自组装单层(SAM)支撑。
图 1：动态分子连接。（来源：论文）
研究人员通过广泛的实验表征和电气测量证明了新材料的特性，这些测量得到了多尺度建模的支持，从量子水平的分子结构预测建模到电气数据的分析数学建模。
图 2：动态开关模型。（来源：论文）
为了在分子水平上模拟突触的动态行为，研究人员将快速电子转移（类似于生物学中的动作电位和快速去极化过程）与受扩散限制的慢速质子耦合（类似于生物钙离子或神经递质的作用）结合起来。
为了演示连接的基本突触功能，研究人员进行了 PPF 和 PPD，如下所示。
图 3：突触功能。（来源：论文）
研究人员解释说，由于材料内部的电子转移和质子耦合步骤发生在非常不同的时间尺度上，转换可以模拟突触神经元连接的塑性行为、巴甫洛夫学习和数字电路的所有逻辑门，只需在合成过程中改变施加的电压和电压脉冲的持续时间。
图 4：巴甫洛夫学习和布尔逻辑门在 DMS 中使用时间可塑性的演示。（来源：论文）
可以执行逻辑的组件可以用作硬件深度学习系统中的隐藏层。DMS 的时域可塑性可用于模拟所有标准布尔逻辑门。尽管 DMS 是一个两端组件，标准逻辑门需要至少两个输入才能输出一个输出，但 DMS 的时域可塑性使得通过分离脉冲中的电压和时域，可以将施加的电压脉冲视为两个单独的输入。脉冲的电压幅值是一个输入，其持续时间是第二个输入，由此产生的对结电导的调制表示输出:兴奋性为正，抑制性为负。通过定义输入状态 Von, Voff, ton 和 toff, DMS 可以提供所有的基本逻辑门。
Thompson 教授解释道：「科学界早就知道硅技术的工作方式与我们大脑的工作方式完全不同，因此我们使用基于软分子的新型电子材料来模拟类脑计算网络。」
研究人员解释说，该方法将来可以应用于由光等其他刺激驱动的动态分子系统，并与不同类型的动态共价键形成耦合。
这一突破开辟了一系列全新的自适应和可重构系统，为可持续和绿色化学创造了新的机会，从更高效的药品和其他增值化学品的流动化学生产，到开发用于大数据中心高密度计算和存储的新型有机材料。
「这仅仅是个开始。我们已经在忙于扩展下一代智能分子材料，它正在推动可持续替代技术的发展，以应对能源、环境和健康方面的重大挑战。」Thompson 教授解释说。
