کشف اسراری برای طراحی ادوات با عملکردی شبیه به مغز

در دهه گذشته پاردایم جدیدی به نام محاسبات نورومورفیک ظهور کرده است. محاسبات نورومورفیک یک هدف مهم دارد، این که ابزاری در حوزه علوم اعصاب باشد تا برای درک فرآیندهای دینامیکی یادگیری در حوزه مغز و الهام از مغز در محاسبات عمومی شناختی استفاده شود.

برای ساخت دستگاه‌هایی که از آنچه در نورون‌ها و سیناپس‌های مغز تقلید می‌کند، متخصصان باید از یک چالش اساسی مهندسی مولکولی عبور کنند. این چالش طراحی دستگاه‌هایی است که قادر به انتقال قابل کنترل و با مصرف کم انرژی بین حالت‌های مختلف مقاومت ایجاد شده توسط محرک‌های ورودی باشند.

در پژوهشی که به تازگی انجام شده، دانشمندان دانشکده مهندسی مولکول پریتزکر (PME) در دانشگاه شیکاگو قوانین طراحی چنین دستگاه‌هایی را پیش بینی کردند. آنها روش‌های جدید مهندسی و تغییر تحریک‌پذیری در ویژگی‌های الکترونیکی را در چندین کلاس از اکسیدهای فلزات انتقالی پیش‌بینی کردند، که می‌تواند مورد استفاده قرار گیرد و اساس معماری های عصبی را تشکیل دهد.

جولیا گالی، استاد مهندسی مولکول پریتزکر، می‌گوید: «ما از محاسبات مکانیکی کوانتوم برای مشخص کردن مکانیزم انتقال استفاده کردیم و دقیقاً چگونگی وقوع آن را در مقیاس اتمی مشخص کردیم. همچنین یک مدل برای پیش بینی چگونگی تحریک انتقال طراحی کردیم، که با اندازه‌گیری‌های موجود توافق خوبی نشان می دهد.»

دانشمندان همچنین مواد اکسیدی را ارائه دادند که خصوصیات الکترونیکی آنها از حالت فلزی که رسانا است به حالت عایق در می آید که این کار با تغییر با میزان نقص‌های ساختاری ایجاد می‌شود.

چگونه نقص‌ها باعث تغییر رسانایی مواد از فلز به عایق شده‌اند؟

دانشمندان برای یافتن پاسخ، با استفاده از روش‌های مکانیک کوانتوم، ساختار الکترونی را در مقادیر مختلف نقص محاسبه کردند.

شنلی ژانگ، محقق پسا دکترا در دانشگاه شیکاگو و نویسنده اول این مقاله می‌گوید: «درک وابستگی متقابل پیچیده بار این نقص‌ها، چگونگی چیدمان مجدد اتم‌ها در مواد و نحوه تغییر ویژگی‌های اسپین برای کنترل و در نهایت تحریک فرآیند انتقال مطلوب بسیار مهم است.»

ژانگ می‌افزاید: «در مقایسه با نیمه هادی‌های رایج، این مواد اکسیدی مورد مطالعه ما برای جابجایی بین دو حالت مختلف از فلز عایق، به انرژی کمتری نیاز دارند. این ویژگی باعث می‌شود این گزینه‌های به عنوان نورون مصنوعی یا سیناپس مصنوعی برای معماری های عصبی در مقیاس بزرگ مورد استفاده قرار گیرند.»