Результаты исследования были опубликованы 22 января 2010 в выпуске журнала Advanced Functional Materials.
При разработке новых стратегий обработки информации, один подход состоит в имитации биологических систем, таких как нейронные сети, для производства электронных схем с новыми функциями. В нервной системе, синапс, соединяющий два нейрона, позволяет передавать электрическую информацию от одного нейрона к другому и адаптировать ее в зависимости от характера входного сигнала (пластичность). Например, если синапс получает очень плотно упакованый импульс входящего сигнала, он будет передавать его с более интенсивным потенциалом. И наоборот, если импульсы расположены дальше друг от друга, потенциал действия будет слабее.
Именно эта пластичность позволила исследователям преуспеть с NOMFET.
Транзистор, основной строительный блок электронной схемы, может быть использован в качестве простого переключателя - он может передавать "да" или "нет сигналы, или вместо этого предлагает многочисленные функции (усиления, модуляции, кодирование и т.д.).
Инновации NOMFET заключаются в оригинальной комбинации органического транзистора и наночастиц золота. Эти капсулированные наночастицы, закрепленные в канале транзистора и покрытые пентаценом, имеют эффект памяти, что позволяет им подражать работе синапса во время передачи потенциалов действия между двумя нейронами. Это свойство позволяет электронному компоненту эволюционировать в зависимости от системы, в которой он размещен. Его производительность сопоставима с семью КМОП-транзисторами (по крайней мере), что было необходимо до сих пор для имитации подобной пластичности.
Изготовленные устройства были оптимизированы до нанометрических размеров для того, чтобы иметь возможность интегрировать их в больших масштабах. Нейрокомпьютеры, полученные с использованием этой технологии, будут сопоставимы с человеческим мозгом.
В отличие от кремниевых компьютеров, широко используемых в области высокопроизводительных вычислений, нейрокомпьютеры могут решить гораздо более сложные проблемы, такие как распознавание образов.
Комментарии: