กระบวนทัศน์การคำนวณแบบใหม่ที่เรียกว่าการคำนวณแบบนิวโรมอร์ฟิกเลียนแบบฟังก์ชันซินแนปติกที่สำคัญของเซลล์ประสาทเพื่อจำลองพฤติกรรมของสมอง ความยืดหยุ่นของเส้นประสาทซึ่งเชื่อมต่อกับการเรียนรู้และความทรงจำเป็นหนึ่งในฟังก์ชันเหล่านี้ ความเป็นพลาสติกนี้ช่วยให้เซลล์ประสาทเก็บข้อมูลหรือลืมมันได้ ขึ้นอยู่กับความยาวและความถี่ของแรงกระตุ้นไฟฟ้าที่กระตุ้นพวกมัน
วัสดุเมมเบรน, เฟอร์โรอิเล็กทริก, วัสดุหน่วยความจำเปลี่ยนเฟส, ฉนวนทอพอโลยี และล่าสุด วัสดุแมกนีโต-ไอออนิกโดดเด่นท่ามกลางวัสดุที่มีลักษณะคล้ายคลึงกัน ไซแนปส์ของเซลล์ประสาท. ในระยะหลัง การใช้สนามไฟฟ้าจะทำให้ไอออนถูกแทนที่ภายในวัสดุ ทำให้คุณลักษณะทางแม่เหล็กของสสารเปลี่ยนไป
แม้ว่าการปรับสภาพแม่เหล็กในวัสดุเหล่านี้เมื่อมีการใช้สนามไฟฟ้าจะเป็นที่เข้าใจกันดี แต่ก็เป็นเรื่องท้าทายในการควบคุมวิวัฒนาการของคุณลักษณะทางแม่เหล็กเมื่อแรงดันไฟฟ้าหยุดลง (กล่าวคือ วิวัฒนาการภายหลังการกระตุ้น) ซึ่งทำให้ยากต่อการจำลองกระบวนการบางอย่างที่ได้รับแรงบันดาลใจจากสมอง เช่น การเรียนรู้อย่างมีประสิทธิภาพแม้ในขณะที่สมองอยู่ในสภาวะหลับลึก (กล่าวคือ ไม่มีการกระตุ้นจากภายนอก)
ในการศึกษาครั้งใหม่ นักวิทยาศาสตร์จาก UAB ภาควิชาฟิสิกส์ Jordi Sort และ Enric Menéndez ร่วมมือกับ ALBA Synchrotron สถาบันนาโนวิทยาศาสตร์และนาโนเทคโนโลยีแห่งคาตาลัน (ICN2) และ ICMAB ได้เสนอวิธีใหม่ในการควบคุมวิวัฒนาการของการดึงดูดทั้งในรูปแบบกระตุ้นและภายหลัง รัฐกระตุ้น
พวกเขาได้พัฒนาวัสดุแม่เหล็กที่สามารถเลียนแบบวิธีที่สมองเก็บข้อมูลได้ ด้วยวัสดุนี้ คุณสามารถเลียนแบบไซแนปส์ของเซลล์ประสาทและเลียนแบบได้เป็นครั้งแรก การเรียนรู้ที่เกิดขึ้นระหว่างการนอนหลับลึก.
นักวิทยาศาสตร์ได้พัฒนาวัสดุโดยใช้โคบอลต์โมโนไนไตรด์ (CoN) ชั้นบางๆ ซึ่งสามารถควบคุมการสะสมของ N ไอออนที่จุดเชื่อมต่อระหว่างชั้นกับอิเล็กโทรไลต์ของเหลวซึ่งวางชั้นไว้ได้ด้วยการใช้สนามไฟฟ้า
ศาสตราจารย์วิจัยของ ICREA Jordi Sort และ Serra Húnter ศาสตราจารย์ Enric Menéndez ผู้ดำรงตำแหน่งตามตำแหน่งกล่าวว่า “วัสดุชนิดใหม่นี้ทำงานร่วมกับการเคลื่อนที่ของไอออนที่ควบคุมโดยแรงดันไฟฟ้า ในลักษณะที่คล้ายคลึงกับของเรา สมองและด้วยความเร็วใกล้เคียงกับความเร็วที่เกิดขึ้นในเซลล์ประสาท ในระดับมิลลิวินาที เราได้พัฒนาไซแนปส์เทียมซึ่งในอนาคตอาจเป็นพื้นฐานของกระบวนทัศน์การคำนวณใหม่ ทางเลือกแทนแบบที่ใช้โดยคอมพิวเตอร์ในปัจจุบัน”
ด้วยการใช้พัลส์แรงดันไฟฟ้า ทำให้สามารถจำลองกระบวนการต่างๆ เช่น หน่วยความจำ การประมวลผลข้อมูลการดึงข้อมูล และเป็นครั้งแรกที่มีการควบคุมการอัพเดตข้อมูลโดยไม่ต้องใช้แรงดันไฟฟ้า
ความหนาของชั้นโคบอลต์โมโนไนไตรด์ ซึ่งควบคุมความเร็วของการเคลื่อนที่ของไอออน และความถี่พัลส์ถูกเปลี่ยนเพื่อให้การควบคุมนี้สำเร็จ
การจัดเรียงวัสดุช่วยให้สามารถควบคุมคุณสมบัติของแมกนีโทโอนิกได้ไม่เพียงแต่เมื่อใช้แรงดันไฟฟ้าเท่านั้น แต่ยังเป็นครั้งแรกเมื่อแรงดันไฟฟ้าถูกถอดออกอีกด้วย เมื่อแรงดันไฟฟ้าภายนอกหายไป แรงดึงดูดของระบบสามารถลดลงหรือเพิ่มขึ้นได้ ขึ้นอยู่กับความหนาของวัสดุและวิธีปฏิบัติของการใช้แรงดันไฟฟ้าก่อนหน้านี้
ขณะนี้ฟังก์ชันการคำนวณนิวโรมอร์ฟิกที่หลากหลายเกิดขึ้นได้เนื่องจากผลลัพธ์ใหม่นี้ มันมีฟังก์ชันลอจิกใหม่ที่ทำให้สามารถจำลองการเรียนรู้ของเส้นประสาทหลังจากการกระตุ้นสมองในขณะที่เรานอนหลับสนิท วัสดุนิวโรมอร์ฟิกประเภทอื่นๆ ที่มีอยู่ในตลาดปัจจุบันไม่สามารถจำลองความสามารถเหล่านี้ได้
จอร์ดี้ ซอร์ท และเอนริค เมเนนเดซ กล่าวว่า, “เมื่อความหนาของชั้นโคบอลต์โมโนไนไตรด์ต่ำกว่า 50 นาโนเมตร และด้วยแรงดันไฟฟ้าที่ใช้ที่ความถี่มากกว่า 100 รอบต่อวินาที เราก็สามารถจำลองฟังก์ชันลอจิกเพิ่มเติมได้ เมื่อใช้แรงดันไฟฟ้าแล้ว อุปกรณ์ก็สามารถตั้งโปรแกรมได้ เพื่อเรียนรู้หรือลืมโดยไม่จำเป็นต้องใช้พลังงานเพิ่มเติมใดๆ โดยเลียนแบบการทำงานของซินแนปติกที่เกิดขึ้นในสมองระหว่างการนอนหลับลึก ซึ่งการประมวลผลข้อมูลสามารถดำเนินต่อไปได้โดยไม่ต้องใช้สัญญาณภายนอกใดๆ”
การอ้างอิงวารสาร:
- เจิ้งเว่ย ตัน, จูเลียส เด โรฮาส, โซเฟีย มาร์ตินส์, ไอตอร์ โลเปียนเดีย, อัลแบร์โต ควินตาน่า, มัตเตโอ เซียโลเน, ฮาเวียร์ เอร์เรโร-มาร์ติน, โยฮัน เมียร์สเชาท์, อังเดร วานทอมเม, โฮเซ่ แอล. คอสตา-เครเมอร์, จอร์ดี ซอร์ต, เอนริก เมเนนเดซ การควบคุมแรงดันไฟฟ้าแบบกระตุ้นและหลังกระตุ้นที่ขึ้นกับความถี่ของสนามแม่เหล็กในไนไตรด์ของโลหะทรานซิชัน: ไปสู่แมกนีโตไอออนิกที่ได้รับแรงบันดาลใจจากสมอง วัสดุ Horizons, 2022 ดอย: 10.1039/D2MH01087A
