Forskere ved Indian Institute of Science (IISc) har skapt molekylære enheter som kan lagre, beregne og lære i sanntid. Gjennombruddet, publisert i Advanced Materials, kan knytte sammen to felt som har vært adskilt i tiår: molekylær elektronikk og nevromorf databehandling. Målet er AI-maskinvare som er både energieffektiv og tilpasningsdyktig.

Hva har de oppnådd?

Teamet ved CeNSE (Centre for Nano Science and Engineering) ved IISc har utviklet en ny klasse enheter bygget av rutheniumkomplekser som kan skifte rolle i sanntid – fra minnelagring til logiske operasjoner og kunstige synapser. De syntetiserte 17 nøye designede molekyler og viste at små endringer i molekylform og ionisk miljø kan gi et bredt spekter av dynamiske responser.

"Det er sjelden å se denne graden av tilpasningsevne i elektroniske materialer," sier Sreetosh Goswami, assisterende professor ved CeNSE, som ledet forskerteamet. "Her møter kjemisk design databehandling, ikke som en analogi, men som et virkende prinsipp."

Slik fungerer enhetene

Ved å justere ligandene og ionene rundt rutheniummolekylene kunne forskerne modulere brytingsatferd dramatisk. En og samme enhet kan skifte mellom digital og analog drift, og levere memristive responser som spenner fra binært til ternært minne, over et svært bredt ledningsområde.

Den molekylære syntesen ble utført av Pradip Ghosh (Ramanujan Fellow) og Santi Prasad Rath (tidligere PhD-student ved CeNSE). Pallavi Gaur, førsteforfatter og PhD-student ved CeNSE, ledet enhetsfabrikasjonen.

"Det som overrasket meg var hvor mye allsidighet som var skjult i samme system," sier Gaur. "Med riktig molekylær kjemi og miljø kan en enkelt enhet lagre informasjon, beregne med den, eller til og med lære og avlære. Det er ikke noe du forventer fra solid state-elektronikk."

Teorien som binder alt sammen

Fremskritt i molekylær elektronikk hemmes ofte av mangel på prediktiv teori. Her utviklet teamet en transportmodell basert på mangekropps-fysikk og kvantekjemi som kan forutsi enhetsoppførsel direkte fra molekylær struktur. Modellen beskriver:

• Hvordan elektroner beveger seg gjennom den molekylære filmen
• Hvordan individuelle molekyler oksideres og reduseres
• Hvordan bevegelser endres innenfor den molekylære matrisen

Sammen bestemmer disse prosessene bryting, relaksasjonsdynamikk og stabilitet for hver molekylære tilstand.

Hvorfor dette kan endre AI-maskinvare

Dagens AI-systemer bruker mye energi fordi data flyttes mellom separate minne- og prosesseringsenheter. Disse molekylære enhetene kombinerer minne og beregning i samme materiale, noe som kan redusere energibruken dramatisk og samtidig øke ytelsen.

"Dette arbeidet viser at kjemi kan være en arkitekt for databehandling, ikke bare dens leverandør," sier Sreebrata Goswami, gjestende forsker ved CeNSE og medforfatter på studien som ledet det kjemiske designet.

Fra lab til brikke

Forskerne arbeider allerede med å integrere de molekylære systemene på silisiumbrikker. Ambisjonen er nevromorf maskinvare der læring kodes direkte i materialet. Samtidig understreker teamet at det gjenstår tekniske utfordringer før kommersialisering.

• Langsiktig søken: I over 50 år har forskere jaktet alternativer til silisium for elektronikk bygget av molekyler.
• Hovedhindring: Molekyler samhandler sterkt i virkelige enheter, noe som gir ikke-lineære responser.
• Nytt bidrag: Et kjemi-drevet design kombinert med en prediktiv modell som forklarer og forutsier atferd.

Konklusjon: IISc-teamet har vist at intelligens kan kodes inn i materiale, ikke bare imiteres. Hvis teknologien kan skaleres og integreres på silisium, kan den bli en nøkkel til mer effektiv og tilpasningsdyktig AI. Kilder: ScienceDaily, Phys.org, SciTechDaily, AZoM, Indian Institute of Science, Advanced Materials.