L'architecture von Neumann à base de nanoparticules (NVNA) sur une puce de nanocomprimés lipidiques (LNT). (A) Schéma de NVNA-LNT. Le LNT fonctionne avec un logiciel composé d'ADN d'instruction en solution et du matériel composé de nanoparticules sur une bicouche lipidique. Le matériel se compose d'une unité de stockage de données, NM ; une unité de sortie, NR ; et une unité de traitement, NF. Un ensemble d'ADN d'instructions programme une opération logique en utilisant une différence cinétique entre des réactions de nanoparticules avec un état de stockage en mémoire. (B) Protocole LNT :(i) stockage de données sur NM, (ii) opération de réseau neuronal (NNN) par ajout d'ensemble d'ADN d'instructions, et (iii) réinitialiser en déshybridant les ADN pour les prochaines exécutions. (C) L'imagerie microscopique en champ sombre time-lapse peut différencier chaque nanoparticule sur LNT via la diffusion de la couleur et de la mobilité. Les nanoparticules non marquées sont NM. (D) Le stockage d'informations moléculaires sur le NM modifie le domaine simple brin exposé. (LES YEUX, résultats du fonctionnement de la porte. L'entrée "1" donne la sortie "1, » en imprimant le NF-NR. Autrement, tous les NF sont piégés dans NM et ne présentent aucune réaction sur NR, qui est la sortie « 0 ». Crédit :Avancées scientifiques, doi:10.1126/sciadv.abb3348
Les architectures informatiques évolutives basées sur les nanoparticules présentent plusieurs limitations qui peuvent gravement compromettre l'utilisation des nanoparticules pour manipuler et traiter l'information via des schémas de calcul moléculaire. L'architecture von Neumann (VNA) sous-tend les opérations de plusieurs opérations de logique moléculaire arbitraire dans une seule puce sans recâblage de l'appareil. Dans un nouveau rapport, Sungi Kim et une équipe de scientifiques de l'Université nationale de Séoul en Corée du Sud ont développé le VNA à base de nanoparticules (NVNA) sur une puce lipidique. Les nanoparticules sur la puce lipidique ont fonctionné comme le matériel - comportant des mémoires, processeurs et unités de sortie. L'équipe a utilisé des brins d'ADN comme logiciel pour fournir des instructions moléculaires pour programmer les circuits logiques. L'architecture von Neuman à base de nanoparticules (NVNA) a permis à un groupe de nanoparticules de former un réseau de neurones d'anticipation connu sous le nom de perceptron (un type de réseau de neurones artificiels). Le système peut mettre en œuvre des opérations logiques booléennes fonctionnellement complètes pour fournir un architecture informatique et circuit imprimé réinitialisables et évolutifs pour former des réseaux neuronaux de nanoparticules et prendre des décisions logiques. L'ouvrage est désormais publié sur Avancées scientifiques .
L'architecture von Neumann dans l'informatique moderne et l'informatique moléculaire
Les ordinateurs électroniques du passé ne pouvaient exécuter qu'un programme fixe et les chercheurs devaient physiquement recâbler et restructurer les processus pour reprogrammer de telles machines. L'architecture von Neumann (VNA) développée par John von Neumann en 1945 et citée plus tard par Alan Turing dans sa proposition de moteur de calcul automatique, détaille un ordinateur à programme enregistré pour exécuter un ensemble d'instructions. Le système a traité les informations en récupérant séquentiellement les données et les instructions stockées dans la mémoire pour générer des sorties. La puissante programmabilité du VNA est applicable aux ordinateurs modernes et à l'informatique quantique.
L'informatique moléculaire avec des nanostructures peut permettre une variété de technologies telles que les portes logiques à nanoparticules, biocapteurs à molécule unique et détection logique, bien que de tels systèmes soient limités à un seul programme tout comme les premiers ordinateurs électroniques. Les limites sont apparues depuis que les chercheurs ont incorporé le logiciel (fonction) et le matériel nanostructural en une seule unité. Pour surmonter ce défi, ils peuvent inclure des bicouches lipidiques pour compartimenter les molécules et les nanoparticules. Kim et al. avait précédemment développé une plateforme de calcul avec des nanoparticules sur une bicouche lipidique pour former une nano-bio-informatique lipidique nanotablette (LNT). Dans ce travail, ils ont conçu et réalisé une plate-forme d'architecture von Neuman à base de nanoparticules (NVNA) pour le calcul moléculaire sur un nanocomprimé lipidique (LNT).
Réseau de neurones à nanoparticules (NNN) pour un système à 3 entrées fonctionnellement complet. Le système peut être représenté avec un diagramme de perceptron multicouche à trois couches (entrée, couches cachées et en sortie), où xi est une entrée, Wi, j et vj sont des poids, et y est une sortie. Chaque couche a trois nœuds d'entrée, quatre nœuds cachés et une couche de sortie, respectivement. NF calcule une somme pondérée des entrées et un biais et peut être activé avec une fonction d'activation de la fonction échelon Heaviside. Les ADN Trap NM0 et NM1 peuvent être représentés par des poids discrets de 1 et -1, respectivement, comme le NM0 Trap DNA désactive le NF à l'entrée 0 et le NM1 Trap DNA désactive le NF à l'entrée 1. Comme ils fixent le seuil de la fonction d'activation à 0, le biais est nécessaire pour équilibrer les valeurs positives et négatives de la somme pondérée des entrées. Le biais est défini comme le nombre d'ADN de piège NM0. Les NF activés peuvent se lier à NR comme sortie « 1 ». Crédit :Avancées scientifiques, doi:10.1126/sciadv.abb3348 
L'équipe a créé un dispositif à programme stocké pour mettre en œuvre l'informatique moléculaire via l'architecture von Neumann avec des nanoparticules, tout en incluant le concept de mémoire pour stocker des informations moléculaires. Ils ont séparé le logiciel et le matériel pour l'évolutivité du traitement de l'information dans la nanotablette lipidique (LNT) pour effectuer plusieurs tâches de calcul sans développer à chaque fois un nouveau dispositif. Pour composer la puce matérielle LNT, ils ont utilisé trois types de nanoparticules modifiées par l'ADN, dont la nano-mémoire (NM), nano-flotteur (NF), et nano-reporter (NR). La nano-mémoire et le nano-reporter étaient des nanoparticules immobiles qui fonctionnaient comme un dispositif de stockage d'informations moléculaires et une unité de sortie, respectivement. Ils ont qualifié les nanoparticules mobiles de nano-flotteurs qui se diffusent librement et entrent en collision avec des particules immobiles. Les scientifiques ont fonctionnalisé les nanoparticules plasmoniques en les modifiant avec des oligonucléotides d'ADN thiolés. Ensuite pour le stockage des données, ils ont chargé différentes concentrations de NF, Nanoparticules NM et NR sur le nano-tablette lipidique (LNT). Pour développer le logiciel, Kim et al. utilisé un ensemble d'ADN d'instructions en solution, et l'opération logique a suivi trois étapes.
L'équipe a d'abord stocké les informations moléculaires sur l'unité de nano-mémoire (NM) via l'hybridation d'ADN. Par exemple, une seule particule NM pourrait former un dispositif de mémoire à un bit dans lequel zéro ou un représentait l'état bistable. Dans la deuxième étape, ils ont effectué l'opération logique comme une combinaison d'ADN d'instructions, pour initier un assemblage compétitif nanoparticule-nanoparticule avec différentes cinétiques basées sur l'état de la nano-mémoire. Pour réinitialiser la puce informatique à son état initial, Kim et al. ajouté une solution de réinitialisation (tampon faible en sel et haute température), qui a détaché les appariements de bases d'ADN d'entrée et d'instruction sur la puce.
Stratégie de programmation logicielle utilisant les ADN d'instruction. (A) Cinétique de réaction de trois types d'ADN d'instruction. L'ajout de 8 nM d'ADN Trap NM0 et NM1 permet un piégeage logique rapide (traits pleins) des NF vers NM avec les états « 0 » et « 1 », respectivement, et aucune liaison logique interdite ou lente (lignes pointillées). L'addition d'ADN de 1 nM Report montre la liaison des NF aux NR avec un temps de latence. (B) Programmation de la porte NON à partir d'une instruction If-Then-Else vers une combinaison d'ADN d'instructions codant le NNN. (C) PAS de fonctionnement de porte dans le LNT. Pour l'entrée « 0, ” le NF n'a pas d'interaction spécifique avec M0 et génère des assemblages NF-NR (cercle pointillé cyan) comme sortie « 1 » (rapport de rapport> 0,2, case verte). Pour l'entrée ADN « 1 » stockée dans le NM, les NFs sont piégés au NM1 (cercle pointillé jaune), résultant en la sortie « 0 » (rapport de rapport =<0,2, case verte). Crédit :Avancées scientifiques, doi:10.1126/sciadv.abb3348 
Kim et al. utilisé deux types d'ADN d'instruction nommés ADN de piège et de rapport pour fournir des instructions aux nano-flotteurs. Ils ont spécifiquement conçu l'ADN piège pour lier les nano-flotteurs pour former des nanoparticules de prise de décision logique. L'équipe a optimisé la concentration des ADN d'instruction et la densité de chaque nanoparticule pour induire une cinétique de piégeage rapide par rapport au signalement. Les comportements compétitifs de piégeage et de signalement ont entraîné une cinétique de liaison exprimée sous la forme d'une déclaration if-then-else, leur permettant de rechercher d'abord si la condition If satisfait les opérations VRAI ou FAUX, puis d'exécuter l'instruction "then" ou "else". Les scientifiques ont mis en œuvre l'opération logique en mélangeant l'ADN du piège et l'ADN du rapport dans la puce NVNA-LNT. Pendant le processus, ils ont noté l'assemblage de quelques états logiquement interdits, qu'ils ont encore optimisé.
Programmation d'une porte logique booléenne à deux entrées avec NNN et démonstration d'une fonction de réinitialisation. (A) Perceptron monocouche pour une porte logique ET. Le réseau de nanoparticules à quatre combinaisons d'entrée est représenté avec les lignes pleines indiquant la réaction d'assemblage de nanoparticules et les lignes pointillées indiquant aucune ou une réaction supprimée. La sortie « 1 » (boîte bleue) est représentée par un rapport NF-NR (points bleus) à un piégeage NF-NM (points verts) sur 0,2 (boîte verte). (B) Plusieurs exécutions de portes logiques dans une seule puce en réinitialisant après chaque exécution (boîte jaune). (C) Exécution des portes logiques INH et NOR en utilisant le codage de poids. (D) Exécution de la RO, NAND, XOR, et des portes logiques XNOR utilisant un perceptron multicouche avec deux types de NF. La sortie "1" est représentée par un rapport de rapport entre 0,2 et 0,6 car un seul NF entre deux NF génère la sortie "1".Crédit :Science Advances, doi:10.1126/sciadv.abb3348
Réseau de neurones à nanoparticules avec réinitialisation et réutilisation
L'équipe a représenté le réseau de réaction entre plusieurs nanoparticules connectées via des ADN d'instruction, en utilisant un perceptron - un type de réseau de neurones artificiels pour un classificateur binaire. Ils ont étendu la stratégie de programmation pour construire le réseau neuronal à nanoparticules (NNN) sur la plate-forme LNT et ont mis en œuvre des circuits logiques booléens arbitraires pour les entrées à deux bits. Ensuite, ils ont calculé le nombre de nœuds de nanoparticules nécessaires pour compléter fonctionnellement les opérateurs logiques booléens sur le réseau de neurones. Le matériel reposait sur des nanostructures modifiées de manière covalente sur une puce lipidique pour de multiples exécutions. Ils ont testé la fonction de réinitialisation du système pour la réutilisation en déshybridant tous les assemblages d'ADN après avoir échangé la solution tampon dans la configuration. La réinitialisation a permis aux ADN thiolés seuls de rester sur les nanoparticules, retournant ainsi à l'état initial pour la fonction suivante.
Exécution d'un comparateur 2 bits avec arbre de décision sur une seule puce. (A) Circuit logique numérique et schéma NNN pour AB> CD, et résultat de l'opération de 16 combinaisons de deux entrées 2 bits AB et CD. (B) Arbres de décision pour le comparateur de magnitude. La structure arborescente à deux couches génère trois résultats, indiquant l'amplitude relative de deux entrées binaires à 2 bits. Entrées quatre bits de 1111, 0110, et 1000 donnent AB =CD, AB
Le processus de prise de décision et la porte logique de sortance
Kim et al. puis exploré le système avec un arbre de décision séquentiel. L'arbre de décision ressemblait à un organigramme pour produire une décision finale de OUI ou NON dans le réseau neuronal de nanoparticules. En raison de leurs caractéristiques géométriques à l'échelle nanométrique et de leurs propriétés optiques, le noyau de nanoparticules plasmoniques du nanocomprimé lipidique était essentiel pour le calcul. À mesure que le nombre de nœuds de nanoparticules et la complexité associée du circuit logique augmentaient, la cinétique de réaction est restée identique du fait des réactions parallèles du perceptron multicouche. L'équipe a utilisé une puissante programmabilité et la fonction de réinitialisation de la configuration pour faire fonctionner séquentiellement le comparateur à deux bits.
De cette façon, Sungi Kim et ses collègues ont développé un perceptron de nanoparticules avec l'architecture de von Neuman à base de nanoparticules (NVNA) sur une puce de nanocomprimés lipidiques (LNT) et ont exploré le système avec un arbre décisionnel séquentiel. La configuration comprenait une fonction de réinitialisation pour la réutilisation. L'architecture informatique basée sur les nanoparticules et le réseau de neurones à nanoparticules (NNN) ont fourni une plate-forme pour l'informatique moléculaire aux côtés des ADN d'instruction. Le processus a permis l'évolutivité et ouvre la voie à l'utilisation de nanoparticules dans l'apprentissage en profondeur, interfaces neuronales et calcul neuromorphique pour gérer et analyser des informations biomoléculaires complexes. Cette architecture informatique peut être intégrée dans la microfluidique pour imiter et interroger des systèmes vivants complexes afin de développer des systèmes intelligents de criblage de médicaments.
© 2020 Réseau Science X
