Zelfs als de kracht van onze moderne computers exponentieel groeit, biologische systemen, zoals onze hersenen, blijven de ultieme leermachines. Door materialen te vinden die op een manier werken die vergelijkbaar is met de mechanismen die de biologie gebruikt om informatie vast te houden en te verwerken, wetenschappers hopen aanwijzingen te vinden om ons te helpen slimmere computers te bouwen.

Geïnspireerd door menselijke vergeetachtigheid - hoe onze hersenen onnodige gegevens weggooien om ruimte te maken voor nieuwe informatie - wetenschappers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), in samenwerking met Brookhaven National Laboratory en drie universiteiten, voerde een recent onderzoek uit waarin supercomputersimulatie en röntgenkarakterisering werden gecombineerd van een materiaal dat geleidelijk 'vergeet'. Dit zou ooit kunnen worden gebruikt voor geavanceerde bio-geïnspireerde computers.

"Het is moeilijk om een ​​niet-levend materiaal te creëren dat een patroon vertoont dat lijkt op een soort vergeetachtigheid, maar het specifieke materiaal waarmee we werkten kan dat soort gedrag echt nabootsen, " zei Subramanian Sankaranarayanan, Argonne nanowetenschapper en studie auteur.

"De hersenen hebben een beperkte capaciteit, en het kan alleen efficiënt functioneren omdat het kan vergeten, " zei Subramanian Sankaranarayanan, een Argonne nanowetenschapper en studie auteur. "Het is moeilijk om een ​​niet-levend materiaal te creëren dat een patroon vertoont dat lijkt op een soort vergeetachtigheid, maar het specifieke materiaal waarmee we werkten kan dat soort gedrag echt nabootsen."

Het materiaal, een kwantumperovskiet genoemd, biedt onderzoekers een eenvoudiger niet-biologisch model van hoe 'vergetelheid' er op elektronisch niveau uit zou kunnen zien. De perovskiet vertoont een adaptieve respons wanneer protonen herhaaldelijk worden ingebracht en verwijderd, wat lijkt op de ongevoeligheid van de hersenen voor een terugkerende stimulus.

Wanneer wetenschappers in eerste instantie een proton (H+) uit de perovskiet (SmNiO .) ₃ (SNO)) rooster, de atomaire structuur van het materiaal breidt zich dramatisch uit of trekt samen om het te accommoderen in een proces dat 'roosterademhaling' wordt genoemd. Maar als dit keer op keer gebeurt, het gedrag van het materiaal evolueert zodanig dat de roosterademhaling wordt verminderd - de proton "bedreiging" zorgt er niet langer voor dat het materiaal hyperventileert.

"Eventueel, het wordt moeilijker om de perovskiet te 'zorgen' als we een proton toevoegen of verwijderen, " zei Hua Zhou, een natuurkundige die betrokken is bij het karakteriseren van het gedrag van het materiaal met behulp van röntgenstralen geleverd door Argonne's Advanced Photon Source (APS), een DOE Office of Science gebruikersfaciliteit. "Het is net als wanneer je de eerste keer dat je naar beneden gaat erg bang wordt op een waterglijbaan, maar elke keer daarna heb je steeds minder reactie."

Terwijl het materiaal reageert op protonen die wetenschappers optellen en aftrekken, het vermogen om weerstand te bieden aan een elektrische stroom kan ernstig worden aangetast. Door dit gedrag kan het materiaal effectief worden geprogrammeerd, zoals een computer, door de protondoping. Eigenlijk, een wetenschapper zou protonen kunnen inbrengen of verwijderen om te bepalen of de perovskiet een stroom zou toestaan.

Onderzoekers hebben onlangs aangedrongen op de ontwikkeling van niet-silicium gebaseerde materialen, zoals perovskieten, voor computergebruik omdat silicium moeite heeft om energie zo efficiënt te gebruiken. Wetenschappers kunnen in de loop van de tijd perovskieten gebruiken in leermachines. Maar wetenschappers kunnen ook profiteren van de eigenschappen van perovskiet door ze te gebruiken als basis voor computermodellen van complexere biologische leersystemen.

"Deze simulaties, die vrij goed overeenkomen met de experimentele resultaten, inspireren geheel nieuwe algoritmen om neurale netwerken te trainen om te leren, ' zei Zhou.

Het perovskietmateriaal en de resulterende neurale netwerkalgoritmen kunnen helpen bij het ontwikkelen van efficiëntere kunstmatige intelligentie die in staat is tot gezichtsherkenning, redeneren en menselijke besluitvorming. Wetenschappers zetten het onderzoek voort om andere materialen te ontdekken met deze hersenachtige eigenschappen en nieuwe manieren om deze materialen te programmeren.

Eindelijk, in tegenstelling tot silicium, waarvan de elektronische structuur gemakkelijk kan worden beschreven met behulp van eenvoudige computermodellen, het begrijpen van het perovskietmateriaal vereist rekenintensieve simulaties om vast te leggen hoe de structuur reageert op protondoping.

"Een klassiek raamwerk is niet van toepassing op dit complexe systeem, " zei Sankaranarayanan, die hielp bij het maken van complexe modellen van het gedrag van de perovskiet bij Argonne's Center for Nanoscale Materials en Argonne Leadership Computing Facility, beide DOE Office of Science Gebruikersfaciliteiten. "Kwantumeffecten domineren, er zijn dus zeer rekenintensieve simulaties nodig om te laten zien hoe het proton in de structuur beweegt."

Dit soort uitgebreid onderzoek is een unieke mogelijkheid van de interdisciplinaire campus van Argonne, waar wetenschappers gemakkelijk ideeën en bronnen kunnen delen.

Een onderzoek op basis van het onderzoek, "Op gewenning gebaseerde synaptische plasticiteit en organismisch leren in een kwantumperovskiet, " verscheen in het online nummer van 14 augustus van Natuurcommunicatie .