Graphenforscher entdecken Langzeitgedächtnis in 2D-Nanofluidikkanälen

Die Kolosseen von Elden Ring oeffnen morgen endlich im kostenlosen

Eine Zusammenarbeit zwischen Teams des National Graphene Institute (NGI) an der University of Manchester und der École Normale Supérieure (ENS), Paris, demonstrierte hebbisches Lernen in künstlichen Nanokanälen, bei denen die Kanäle ein Kurz- und Langzeitgedächtnis zeigten. Hebbisches Lernen ist ein Fachbegriff, der 1949 von Donald Hebb eingeführt wurde und den Prozess des Lernens durch wiederholtes Ausführen einer Handlung beschreibt. Die Arbeit wird in der Zeitschrift veröffentlicht Wissenschaft.

Hebbisches Lernen ist ein bekannter Lernmechanismus, es ist der Prozess, bei dem wir uns daran „gewöhnen“, eine Handlung auszuführen. Ähnlich wie in neuronalen Netzen konnten die Forscher die Existenz von Gedächtnis in zweidimensionalen Kanälen zeigen, die Tunneln im atomaren Maßstab ähneln und Höhen von mehreren Nanometern bis hinunter zu Angström (10-10 m) aufweisen. Dies geschah unter Verwendung einfacher Salze (einschließlich Speisesalz), die in Wasser gelöst waren, das durch Nanokanäle floss, und durch Anlegen einer Spannung (Die Studie beleuchtet die Bedeutung der jüngsten Entwicklung ultradünner Nanokanäle. Zwei Arten von Nanokanälen wurden in dieser Studie verwendet. Die „unberührte Kanäle“ stammten vom Manchester-Team unter der Leitung von Prof. Radha Boya, die durch den Aufbau von 2D-Schichten aus MoS2 erhalten werden. Diese Kanäle haben eine geringe Oberflächenladung und sind atomar glatt. Die Gruppe von Prof. Lyderic Bocquet an der ENS entwickelte die „aktivierten Kanäle, „Diese haben eine hohe Oberflächenladung und werden durch Elektronenstrahlätzen von Graphit erhalten.

Ein wichtiger Unterschied zwischen Festkörper- und biologischen Speichern besteht darin, dass erstere mit Elektronen arbeiten, während bei letzteren Ionenströme im Mittelpunkt ihrer Funktion stehen. Während festkörperbasierte „Speichervorrichtungen“ auf Silizium- oder Metalloxidbasis, die „lernen“ können, seit langem entwickelt wurden, ist dies eine wichtige erste Demonstration des „Lernens“ durch einfache ionische Lösungen und niedrige Spannungen. „Die Gedächtniseffekte in Nanokanälen könnten in Zukunft bei der Entwicklung von nanofluidischen Computern, Logikschaltkreisen und bei der Nachahmung biologischer Neuronensynapsen mit künstlichen Nanokanälen genutzt werden“, sagte Co-Hauptautor Prof. Lyderic Bocquet.

Die Co-Hauptautorin Prof. Radha Boya fügte hinzu, dass „die Nanokanäle in der Lage waren, sich die zuvor an sie angelegte Spannung zu merken, und ihre Leitfähigkeit von ihrer Vorgeschichte der Spannungsanwendung abhängt.“ Dies bedeutet, dass die vorherige Spannungsgeschichte die Leitung des Nanokanals erhöhen (potenzieren in Bezug auf die synaptische Aktivität) oder verringern (unterdrücken) kann.

Dr. Abdulghani Ismail vom National Graphene Institute und Co-Erstautor der Studie sagte: „Wir konnten zwei Arten von Gedächtniseffekten zeigen, hinter denen zwei verschiedene Mechanismen stecken. Die Existenz jedes Gedächtnistyps würde von den experimentellen Bedingungen abhängen (Kanaltyp, Salztyp, Salzkonzentration usw.).“

Paul Robin von ENS und Co-Erstautor der Veröffentlichung fügte hinzu: „Der Mechanismus hinter dem Gedächtnis in ‚unberührten MoS2-Kanälen‘ ist die Umwandlung nichtleitender Ionenpaare in einen leitenden Ionenpolyelektrolyten, während für ‚aktivierte Kanäle‘ die Adsorption/Desorption von Kationen (den positiven Ionen des Salzes) an der Wand des Kanals führten zum Memory-Effekt.“

Dr. Theo Emmerich von ENS und Co-Erstautor des Artikels kommentierte ebenfalls: „Unser nanofluidischer Memristor ist dem biologischen Gedächtnis im Vergleich zu den Festkörper-Memristoren ähnlicher.“ Diese Entdeckung könnte futuristische Anwendungen haben, von Nanofluidik-Computern mit geringem Stromverbrauch bis hin zu neuromorphen Anwendungen.

Mehr Informationen:
P. Robin et al, Langzeitgedächtnis und synapsenähnliche Dynamik in zweidimensionalen nanofluidischen Kanälen, Wissenschaft (2023). DOI: 10.1126/science.adc9931

Bereitgestellt von der Universität Manchester

ph-tech