Reservoir computing (RC) pakt complexe problemen aan door de manier waarop informatie wordt verwerkt in dierlijke hersenen na te bootsen. Het vertrouwt op een willekeurig verbonden netwerk dat dient als een reservoir voor informatie en uiteindelijk leidt tot efficiëntere output. Om RC direct in de materie te realiseren (in plaats van het in een digitale computer te simuleren), talrijke reservoirmaterialen zijn tot op heden onderzocht. Nu heeft een team met onderzoekers van de Universiteit van Osaka een gesulfoneerd polyaniline-netwerk voor RC ontworpen.

Neurale netwerken in de hersenen gebruiken elektrochemische signalen die door ionen worden gedragen. Daarom, een elektrochemische benadering is een logische keuze bij het kiezen van een materiaalsysteem voor RC. Organische elektrochemische veldeffecttransistoren (OECFET's) zijn populair in de bio-elektronica; echter, ze zijn nog niet veel gebruikt voor RC.

De sleutel tot het reservoirmateriaal is dat het rijk (tijdsafhankelijk) gedrag vertoont en ongeordend is, waardoor polymeermaterialen een uitstekende optie zijn omdat ze vanzelf willekeurige netwerken vormen.

Polyaniline is een veelbelovend polymeer voor RC-toepassingen, omdat het gemakkelijk te polymeriseren is, heeft een goede stabiliteit in de atmosfeer, en heeft omkeerbaar doping/de-doping gedrag, wat betekent dat de geleiding kan worden gewijzigd.

De onderzoekers onderzochten gesulfoneerd polyaniline (SPAN), die, naast de voordelen van polyaniline, heeft een hoge oplosbaarheid in water en een zelfdopinggedrag. Deze maken SPAN makkelijker om mee te werken en de doping uniformer.

"Atmosferische protonen worden direct in de polymeerketen van SPAN geïnjecteerd, waardoor het zich gedraagt, " legt hoofdauteur Yuki Usami uit. "Deze geleiding kan dan worden gecontroleerd door de luchtvochtigheid aan te passen."

De onderzoekers gebruikten een eenvoudige drop-casting-methode om de SPAN op gouden elektroden te monteren om een ​​organisch elektrochemisch netwerkapparaat (OEND) te krijgen.

De SPAN OEND is getest op RC door de golfvorm te controleren en de prestaties ervan bij kortetermijngeheugentaken te beoordelen. Resultaten van een test om te zien hoe goed spraak herkend kon worden, bereikten een nauwkeurigheid van 70%. Dit vermogen van SPAN OEND was vergelijkbaar met een softwaresimulatie van RC.

"We hebben laten zien dat ons SPAN OEND systeem toepasbaar is in RC, ", zegt studie corresponderende auteur Takuya Matsumoto. "Toekomstige stappen om systemen op te zetten die niet afhankelijk zijn van vochtigheid zullen meer praktische opties bieden; echter, het succes van ons op SPAN gebaseerde systeem is een positieve stap voor materiaalgebaseerde reservoirberekening, die naar verwachting een aanzienlijke impact zal hebben op de volgende generatie apparaten voor kunstmatige intelligentie."