L'architettura di von Neumann basata su nanoparticelle (NVNA) su un chip di nanocompresse lipidiche (LNT). (A) Schema di NVNA-LNT. Il LNT è gestito con software composto da DNA di istruzione in soluzione e hardware composto da nanoparticelle su un doppio strato lipidico. L'hardware è costituito da un'unità di memorizzazione dei dati, nm; un'unità di uscita, NR; e un'unità di elaborazione, NF. Un insieme di DNA di istruzioni programma l'operazione logica utilizzando una differenza cinetica tra le reazioni delle nanoparticelle con lo stato di memorizzazione della memoria. (B) protocollo LNT:(i) memorizzazione dati su NM, (ii) funzionamento della rete neurale (NNN) mediante aggiunta di set di DNA di istruzioni, e (iii) resettare deibridando i DNA per le successive esecuzioni. (C) L'imaging microscopico in campo oscuro time-lapse può differenziare ogni nanoparticella su LNT tramite la diffusione del colore e della mobilità. Le nanoparticelle non marcate sono NM. (D) La memorizzazione delle informazioni molecolari sul NM modifica il dominio a singolo filamento esposto. (OCCHI, risultati dell'operazione di cancello. L'ingresso "1" produce l'uscita "1, ” stampando il NF-NR. Altrimenti, tutti gli NF sono intrappolati in NM e non mostrano alcuna reazione su NR, che viene emesso "0". Credito:progressi scientifici, doi:10.1126/sciadv.abb3348
Le architetture di calcolo scalabili basate su nanoparticelle hanno diverse limitazioni che possono compromettere gravemente l'uso delle nanoparticelle per manipolare ed elaborare le informazioni attraverso schemi di calcolo molecolare. L'architettura von Neumann (VNA) è alla base delle operazioni di più operazioni di logica molecolare arbitraria in un singolo chip senza ricablare il dispositivo. In un nuovo rapporto, Sungi Kim e un team di scienziati della Seoul National University in Corea del Sud hanno sviluppato il VNA a base di nanoparticelle (NVNA) su un chip lipidico. Le nanoparticelle sul chip lipidico fungevano da hardware, con memorie, processori e unità di output. Il team ha utilizzato i filamenti di DNA come software per fornire istruzioni molecolari per programmare i circuiti logici. L'architettura von Neuman basata su nanoparticelle (NVNA) ha permesso a un gruppo di nanoparticelle di formare una rete neurale feed-forward nota come perceptron (un tipo di rete neurale artificiale). Il sistema può implementare operazioni logiche booleane funzionalmente complete per fornire un programmabile, architettura di calcolo ripristinabile e scalabile e circuito stampato per formare reti neurali di nanoparticelle e prendere decisioni logiche. L'opera è ora pubblicata su Progressi scientifici .
L'architettura di von Neumann nell'informatica moderna e nel calcolo molecolare
I computer elettronici del passato potevano eseguire solo un programma fisso e i ricercatori dovevano ricablare e ristrutturare fisicamente i processi per riprogrammare tali macchine. L'architettura von Neumann (VNA) sviluppata da John von Neumann nel 1945 e successivamente citata da Alan Turing nella sua proposta per il motore di calcolo automatico, dettaglia un computer a programma memorizzato per eseguire una serie di istruzioni. Il sistema elaborava le informazioni recuperando in sequenza i dati e le istruzioni archiviati dalla memoria per generare output. La potente programmabilità del VNA è applicabile ai computer moderni e all'informatica quantistica.
Il calcolo molecolare con nanostrutture può consentire una varietà di tecnologie come porte logiche di nanoparticelle, biosensori a singola molecola e rilevamento logico, sebbene tali sistemi siano limitati a un singolo programma, proprio come i primi computer elettronici. I limiti sono sorti poiché i ricercatori hanno incorporato il software (funzione) e l'hardware nanostrutturale come una singola unità. Per vincere questa sfida, possono includere doppi strati lipidici per compartimentare molecole e nanoparticelle. Kim et al. aveva precedentemente sviluppato una piattaforma di calcolo con nanoparticelle su un doppio strato lipidico per formare una nanocompressa lipidica (LNT) di nano-bio-calcolo. In questo lavoro, hanno progettato e realizzato una piattaforma di architettura von Neuman (NVNA) basata su nanoparticelle per il calcolo molecolare su una nanocompressa lipidica (LNT).
Rete neurale di nanoparticelle (NNN) per un sistema a 3 ingressi funzionalmente completo. Il sistema può essere rappresentato con un diagramma perceptron multistrato a tre strati (input, livelli nascosti e di output), dove xi è un input, wi, j e vj sono pesi, e y è un'uscita. Ogni livello ha tre nodi di input, quattro nodi nascosti e un livello di output, rispettivamente. NF calcola una somma ponderata degli input e un bias e può essere attivato con una funzione di attivazione della funzione a gradino di Heaviside. I DNA delle trappole NM0 e NM1 possono essere rappresentati da pesi discreti di 1 e -1, rispettivamente, poiché NM0 Trap DNA disattiva NF all'ingresso 0 e NM1 Trap DNA disattiva NF all'ingresso 1. Poiché impostano la soglia per la funzione di attivazione a 0, il bias è necessario per bilanciare i valori positivi e negativi della somma ponderata degli input. Il bias è definito come il numero di DNA della trappola NM0. Gli NF attivati possono legarsi a NR come output “1”. Credito:progressi scientifici, doi:10.1126/sciadv.abb3348 
Il team ha creato un dispositivo a programma memorizzato per implementare il calcolo molecolare tramite l'architettura von Neumann con nanoparticelle, includendo il concetto di memoria per immagazzinare informazioni molecolari. Hanno separato il software e l'hardware per la scalabilità dell'elaborazione delle informazioni nel nanotablet lipidico (LNT) per eseguire più attività computazionali senza sviluppare ogni volta un nuovo dispositivo. Per comporre il chip hardware LNT, hanno usato tre tipi di nanoparticelle modificate dal DNA, compresa la nano-memoria (NM), nano-fluttuante (NF), e nanoreporter (NR). La nano-memoria e il nano-reporter erano nanoparticelle immobili che funzionavano come dispositivo di memorizzazione delle informazioni molecolari e unità di output, rispettivamente. Hanno indicato le nanoparticelle mobili come nano-fluttuanti che si diffondono liberamente e si scontrano con particelle immobili. Gli scienziati hanno funzionalizzato le nanoparticelle plasmoniche modificandole con oligonucleotidi di DNA tiolato. Quindi per l'archiviazione dei dati, hanno caricato diverse concentrazioni di NF, Nanoparticelle NM e NR sulla nano-compressa lipidica (LNT). Per sviluppare il software, Kim et al. utilizzato una serie di DNA di istruzioni in soluzione, e l'operazione logica ha seguito tre passaggi.
Il team ha prima memorizzato le informazioni molecolari sull'unità di nano-memoria (NM) tramite l'ibridazione del DNA. Per esempio, una singola particella NM potrebbe formare un dispositivo di memoria a un bit in cui zero o uno rappresentava lo stato bistabile. Nella seconda fase, hanno eseguito l'operazione logica come una combinazione di DNA di istruzioni, per avviare un assemblaggio competitivo nanoparticella-nanoparticella con cinetiche diverse basate sullo stato della nano-memoria. Per ripristinare il chip del computer al suo stato iniziale, Kim et al. aggiunta una soluzione di ripristino (tampone a basso contenuto di sale e alta temperatura), che ha staccato l'input e gli accoppiamenti di base del DNA didattici sul chip.
Strategia di programmazione software utilizzando DNA di istruzioni. (A) Cinetica di reazione di tre tipi di DNA di istruzioni. L'aggiunta di 8 DNA trappola NM0 e NM1 nM consente l'intrappolamento rapido consentito dalla logica (linee continue) di NF a NM con gli stati "0" e "1", rispettivamente, e nessuna o lenta associazione vietata dalla logica (linee tratteggiate). L'aggiunta del DNA del rapporto 1 nM mostra il legame di NF con NR con un tempo di ritardo. (B) Programmazione della porta NOT da un'istruzione If-Then-Else a una combinazione di DNA di istruzioni che codificano la NNN. (C) NON operazioni di gate nel LNT. Per l'ingresso “0, ” il NF non ha alcuna interazione specifica con M0 e genera assiemi NF—NR (cerchio tratteggiato ciano) come output “1” (rapporto di rapporto> 0,2, scatola verde). Per l'input del DNA "1" memorizzato nel NM, le NF sono intrappolate nell'NM1 (cerchio tratteggiato giallo), risultante nell'output "0" (rapporto di rendicontazione =<0,2, scatola verde). Credito:progressi scientifici, doi:10.1126/sciadv.abb3348 
Kim et al. ha utilizzato due tipi di DNA di istruzioni denominati Trap e Report DNA per fornire istruzioni per i nano-fluttuanti. Hanno progettato specificamente Trap DNA per legare i nano-fluttuanti per formare nanoparticelle logiche che prendono decisioni. Il team ha ottimizzato la concentrazione dei DNA delle istruzioni e la densità di ciascuna nanoparticella per indurre una cinetica di intrappolamento veloce rispetto alla segnalazione. I comportamenti di cattura e segnalazione della concorrenza hanno portato a cinetiche vincolanti espresse come un'affermazione if-then-else, consentendo loro di cercare prima se la condizione If ha soddisfatto le operazioni VERO o FALSO e quindi di eseguire l'istruzione "then" o "else". Gli scienziati hanno implementato l'operazione logica mescolando il DNA della trappola e il DNA del report nel chip NVNA-LNT. Durante il processo, hanno notato l'assemblea di alcuni stati logicamente proibiti, che hanno ulteriormente ottimizzato.
Programmazione di una porta logica booleana a due ingressi con NNN e dimostrazione di una funzione di reset. (A) Perceptron a strato singolo per una porta logica AND. La rete di nanoparticelle a quattro combinazioni di input è rappresentata con le linee continue che indicano la reazione di assemblaggio delle nanoparticelle e le linee tratteggiate che indicano nessuna reazione o una reazione soppressa. L'uscita "1" (riquadro blu) è rappresentata dal rapporto NF—NR (punti blu) al trapping NF—NM (punti verdi) su 0,2 (riquadro verde). (B) Esecuzioni multiple di porte logiche in un singolo chip ripristinando dopo ogni esecuzione (riquadro giallo). (C) Esecuzione di porte logiche INH e NOR utilizzando la codifica del peso. (D) Esecuzione di OR, NAND, XOR, e porte logiche XNOR che utilizzano perceptron multistrato con due tipi di NF. L'output “1” è rappresentato da un reporting ratio compreso tra 0,2 e 0,6 perché un singolo NF tra due NF genera l'output “1”.Credit:Science Advances, doi:10.1126/sciadv.abb3348
Rete neurale di nanoparticelle con ripristino e riutilizzabilità
Il team ha rappresentato la rete di reazione tra più nanoparticelle collegate tramite DNA di istruzioni, utilizzando un perceptron, un tipo di rete neurale artificiale per un classificatore binario. Hanno ampliato la strategia di programmazione per costruire la rete neurale di nanoparticelle (NNN) sulla piattaforma LNT e implementato circuiti logici booleani arbitrari per input a due bit. Quindi hanno calcolato il numero di nodi di nanoparticelle necessari per completare funzionalmente gli operatori logici booleani sulla rete neurale. L'hardware si basava su nanostrutture modificate in modo covalente su un chip lipidico per esecuzioni multiple. Hanno testato la funzione di ripristino del sistema per la riutilizzabilità deibridando tutti gli assemblaggi di DNA dopo aver scambiato la soluzione tampone nella configurazione. Il ripristino ha permesso al solo DNA tiolato di rimanere sulle nanoparticelle, tornando così allo stato iniziale per la funzione successiva.
Esecuzione di un comparatore a 2 bit con albero decisionale su singolo chip. (A) Circuito logico digitale e diagramma NNN per AB> CD, e risultato dell'operazione di 16 combinazioni di due ingressi a 2 bit AB e CD. (B) Alberi decisionali per il comparatore di magnitudo. La struttura ad albero a due strati genera tre risultati, che indica la grandezza relativa di due ingressi binari a 2 bit. Ingressi a quattro bit di 1111, 0110, e 1000 risulta in AB =CD, AB
Il processo decisionale e la porta logica del fan-out
Kim et al. quindi esplorato il sistema con un albero decisionale sequenziale. L'albero decisionale assomigliava a un diagramma di flusso per produrre una decisione finale di S o NO nella rete neurale di nanoparticelle. A causa delle loro caratteristiche geometriche e proprietà ottiche su scala nanometrica, il nucleo di nanoparticelle plasmoniche della nanocompressa lipidica era fondamentale per l'informatica. Con l'aumentare del numero di nodi di nanoparticelle e della relativa complessità del circuito logico, la cinetica di reazione è rimasta identica a causa di reazioni parallele del perceptron multistrato. Il team ha utilizzato una potente programmabilità e la funzione di ripristino della configurazione per azionare in sequenza il comparatore a due bit.
In questo modo, Sungi Kim e colleghi hanno sviluppato un perceptron di nanoparticelle con l'architettura von Neuman (NVNA) basata su nanoparticelle su un chip di nanocompresse lipidiche (LNT) e hanno esplorato il sistema con un albero decisionale sequenziale. La configurazione includeva una funzione di ripristino per la riutilizzabilità. L'architettura di calcolo basata su nanoparticelle e la rete neurale di nanoparticelle (NNN) hanno fornito una piattaforma per il calcolo molecolare insieme ai DNA di istruzioni. Il processo ha consentito la scalabilità e apre la strada all'utilizzo delle nanoparticelle nell'apprendimento profondo, interfacce neurali e calcolo neuromorfico per gestire e analizzare informazioni biomolecolari complesse. Questa architettura di calcolo può essere incorporata nella microfluidica per imitare e interrogare sistemi viventi complessi per sviluppare sistemi intelligenti di screening dei farmaci.
© 2020 Scienza X Rete
