编辑推荐：
为解决纳米流体忆阻器（nanofluidic memristors）记忆时间有限的问题，研究人员开展了新型异质结纳米流体忆阻器（HJNFM）的研究。结果显示 HJNFM 能模拟多种神经可塑性模式，构建的卷积神经网络数字识别准确率达 94%，为神经形态计算发展提供新途径。
在科技飞速发展的当下，人工智能领域不断寻求突破，其中神经形态计算成为了众多科研人员关注的焦点。忆阻器，作为一种新型的非易失性存储器件，因其独特的能够存储和自适应改变电阻值的特性，在神经形态计算领域展现出了巨大的潜力。它有望打破传统冯?诺依曼架构的瓶颈，延续摩尔定律的发展，为构建更加高效、智能的计算系统提供可能。
然而，目前在忆阻器的研究中，基于固态材料的忆阻器虽然取得了不少成果，实现了多种神经形态功能，但神经元处理和传递信息依靠的是各种离子和分子，固态忆阻器依赖电子介导的方式与之存在本质差异。于是，随着纳米制造和纳米流体技术的快速发展，受离子通道启发的纳米流体忆阻器应运而生。纳米流体忆阻器通过调节离子传输来实现其功能，其工作机制多种多样，包括离子浓度极化（ICP）、离子门控、离子吸附 / 解吸、离子配对 / 解配对以及液 - 液界面运动等。这些机制使得纳米流体忆阻器能够更有效地模拟神经元功能，实现多种形式的突触可塑性，甚至通过脉冲时间依赖可塑性（STDP）实现赫布学习，还能像生物离子通道一样进行化学 - 电信号转导。
不过，纳米流体忆阻器在发展过程中也面临着严峻的挑战，其中有限的记忆时间成为了阻碍其进一步发展的主要瓶颈。以基于离子浓度极化的忆阻器为例，由于离子扩散，在去除电压刺激后，它很难长时间维持离子浓度梯度，记忆时间通常不超过 10 秒，实现长时程可塑性（LTP）颇具难度。离子门控忆阻器虽然通过使用与纳米孔表面电荷相反的纳米颗粒来阻断离子传输，一定程度上延长了记忆时间，但却牺牲了忆阻器的耐久性，纳米颗粒容易永久附着在纳米孔上。基于液 - 液界面运动的流体忆阻器记忆时间可延长至 20 分钟，但它依赖高偏压驱动的电渗流，导致能耗大幅增加。尽管有部分纳米流体忆阻器展现出了长时程可塑性的特征，但在单个纳米流体忆阻器中同时实现长时和短时记忆仍是一个难题。而固态忆阻器在记忆时长、开 / 关比以及耐久性等方面具有明显优势，相比之下，流体离子忆阻器显然还处于发展的初期阶段，亟待深入研究。
为了攻克这些难题，来自国内的研究人员开展了一项关于新型异质结纳米流体忆阻器（HJNFM）的研究。研究人员通过全原子分子动力学（MD）模拟设计了由异质结纳米通道和肽链组成的 HJNFM，并深入研究了其忆阻特性，探讨了肽链氨基酸序列对其电学性质的影响，还考察了它在模拟人工突触和神经网络方面的应用。研究发现，肽链阀门的开合动力学影响纳米通道的离子电导，从而实现忆阻器特性。而且，调节肽链中的苯环含量可以进一步优化其性能。此外，通过在纳米通道中设置多个 SnS2条带，多 HJNFM 能够实现永久记忆，并模拟包括短时和长时记忆在内的突触特征。值得一提的是，研究人员利用多 HJNFM 构建了卷积神经网络，在数字识别任务中达到了 94% 的准确率。这一研究成果为构建纳米流体忆阻器提供了新的方法，对未来神经形态计算新形式的发展具有重要意义，相关论文发表在《Biosensors and Bioelectronics》上。
在研究过程中，研究人员主要运用了以下关键技术方法：首先是全原子分子动力学（MD）模拟，通过这种方法设计了 HJNFM，并研究其在不同条件下的性能变化；其次，对 HJNFM 的各项性能进行测试，包括在不同电场下测量离子电流、vdW 能量以及肽链的 Z 轴位移等。
研究结果主要如下：
- 电场对 HJNFM 的影响：研究人员探究了不同外加电场对纳米通道中离子电流、vdW 能量以及肽链 Z 轴位移（Z）的影响。当电压 U = -0.6 V 时，Z 仅有轻微上升，离子电流和 vdW 能量变化不大，表明肽链阀门处于关闭状态。而当 U = -1.5 V 时，在 t = 16 ns 之前，离子电流和 Z 增加，vdW 能量降低，说明此时肽链阀门开启，离子电导发生变化。
- 肽链序列对电学性质的影响：研究发现肽链的序列会影响 HJNFM 的电学性质，通过调整肽链中的苯环含量等方式，可以对其性能进行优化。
- 多 HJNFM 的功能实现：在纳米通道中设置多个 SnS2条带构成多 HJNFM，它能够实现永久记忆，并成功模拟出包括短时记忆（STP）、双脉冲易化（PPF）、长时程可塑性（LTP）以及 STP 向 LTP 转变等多种神经可塑性模式。
- 卷积神经网络的性能：基于多 HJNFM 构建的卷积神经网络在数字识别任务中表现出色，达到了 94% 的准确率。
研究结论表明，HJNFM 实现了忆阻特性，其肽链阀门的开合动力学是实现这一特性的关键因素。同时，肽链氨基酸序列对其电学性质有显著影响，为进一步优化提供了方向。多 HJNFM 在模拟人工突触和构建神经网络方面展现出了巨大潜力，构建的卷积神经网络在数字识别任务中的高准确率，更是证明了这种新型忆阻器在神经形态计算领域的应用价值。这一研究成果不仅为纳米流体忆阻器的发展开辟了新的道路，也为未来神经形态计算的发展提供了新的思路和方法，有望推动人工智能领域的进一步发展，让计算系统更加接近人类大脑的高效处理能力。
