A arquitetura de von Neumann baseada em nanopartículas (NVNA) em um chip de nanocompósito lipídico (LNT). (A) Esquema de NVNA-LNT. O LNT é operado com software composto por DNAs de instrução em solução e hardware composto por nanopartículas em uma bicamada lipídica. O hardware consiste em uma unidade de armazenamento de dados, NM; uma unidade de saída, NR; e uma unidade de processamento, NF. Um conjunto de DNAs de instrução programa a operação lógica usando uma diferença cinética entre reações de nanopartículas com estado de armazenamento de memória. (B) protocolo LNT:(i) armazenamento de dados em NM, (ii) operação de rede neural (NNN) por adição de conjunto de DNA de instrução, e (iii) redefinido por deshibridação de DNAs para as próximas execuções. (C) Imagem microscópica de campo escuro com lapso de tempo pode diferenciar cada nanopartícula em LNT por meio de dispersão de cor e mobilidade. As nanopartículas não marcadas são NM. (D) O armazenamento de informações moleculares no NM altera o domínio de fita simples exposto. (OLHOS, resultados da operação do portão. A entrada “1” resulta na saída “1, ”Imprimindo o NF-NR. De outra forma, todos os NFs estão presos ao NM e não exibem nenhuma reação no NR, que é a saída “0”. Crédito:Science Advances, doi:10.1126 / sciadv.abb3348
As arquiteturas de computação escalonáveis baseadas em nanopartículas têm várias limitações que podem comprometer seriamente o uso de nanopartículas para manipular e processar informações por meio de esquemas de computação molecular. A arquitetura de von Neumann (VNA) é a base das operações de múltiplas operações lógicas moleculares arbitrárias em um único chip sem religar o dispositivo. Em um novo relatório, Sungi Kim e uma equipe de cientistas da Universidade Nacional de Seul, na Coreia do Sul, desenvolveram o VNA baseado em nanopartículas (NVNA) em um chip lipídico. As nanopartículas no chip lipídico funcionavam como o hardware - apresentando memórias, processadores e unidades de saída. A equipe usou fitas de DNA como software para fornecer instruções moleculares para programar os circuitos lógicos. A arquitetura de von Neuman baseada em nanopartículas (NVNA) permitiu que um grupo de nanopartículas formasse uma rede neural feed-forward conhecida como perceptron (um tipo de rede neural artificial). O sistema pode implementar operações lógicas booleanas funcionalmente completas para fornecer um programável, arquitetura de computação redefinível e escalonável e placa de circuito para formar redes neurais de nanopartículas e tomar decisões lógicas. O trabalho agora está publicado em Avanços da Ciência .
A arquitetura de von Neumann na computação moderna e computação molecular
Os computadores eletrônicos do passado só podiam rodar um programa fixo e os pesquisadores tinham que religar e reestruturar processos para reprogramar essas máquinas. A arquitetura de von Neumann (VNA) desenvolvida por John von Neumann em 1945 e posteriormente citada por Alan Turing em sua proposta para o motor de computação automática, detalha um computador com programa armazenado para executar um conjunto de instruções. O sistema processou as informações buscando sequencialmente os dados armazenados e as instruções da memória para gerar saídas. A poderosa capacidade de programação do VNA é aplicável para computadores modernos e em computação quântica.
A computação molecular com nanoestruturas pode permitir uma variedade de tecnologias, como portas lógicas de nanopartículas, biossensores de molécula única e detecção lógica, embora tais sistemas sejam limitados a um único programa, muito parecido com os primeiros computadores eletrônicos. Os limites surgiram porque os pesquisadores incorporaram o software (função) e o hardware nanoestrutural como uma única unidade. Para superar este desafio, eles podem incluir bicamadas lipídicas para compartimentar moléculas e nanopartículas. Kim et al. já havia desenvolvido uma plataforma de computação com nanopartículas em uma bicamada lipídica para formar um nanocomputador lipídico nano-bio-computacional (LNT). Nesse trabalho, eles projetaram e realizaram uma plataforma de arquitetura von Neuman (NVNA) baseada em nanopartículas para computação molecular em um nanocompósito lipídico (LNT).
Rede neural de nanopartículas (NNN) para um sistema de 3 entradas funcionalmente completo. O sistema pode ser representado com um diagrama perceptron multicamadas com três camadas (entrada, camadas ocultas e de saída), onde xi é uma entrada, com, j e vj são pesos, e y é uma saída. Cada camada tem três nós de entrada, quatro nós ocultos e uma camada de saída, respectivamente. NF calcula uma soma ponderada de entradas e um bias e pode ser ativado com uma função de ativação da função de etapa de Heaviside. Os DNAs NM0 e NM1 Trap podem ser representados por pesos discretos de 1 e -1, respectivamente, como o NM0 Trap DNA desativa o NF na entrada 0 e o NM1 Trap DNA desativa o NF na entrada 1. Conforme eles definem o limite para a função de ativação como 0, a tendência é necessária para equilibrar os valores positivos e negativos da soma ponderada das entradas. A tendência é definida como o número de DNA de armadilha NM0. Os NFs ativados podem se ligar ao NR como saída “1”. Crédito:Science Advances, doi:10.1126 / sciadv.abb3348 
A equipe criou um dispositivo de programa armazenado para implementar a computação molecular por meio da arquitetura de von Neumann com nanopartículas, ao mesmo tempo em que inclui o conceito de memória para armazenar informações moleculares. Eles separaram o software e o hardware para escalabilidade do processamento da informação no nanotapel de lipídios (LNT) para realizar múltiplas tarefas computacionais sem desenvolver um novo dispositivo a cada vez. Para compor o chip de hardware LNT, eles usaram três tipos de nanopartículas modificadas por DNA, incluindo a nano-memória (NM), nano-flutuador (NF), e nano-repórter (NR). A nano-memória e o nano-repórter eram nanopartículas imóveis que funcionavam como um dispositivo de armazenamento de informação molecular e unidade de saída, respectivamente. Eles se referiram às nanopartículas móveis como nano-flutuantes que se difundiram livremente e colidiram com partículas imóveis. Os cientistas funcionalizaram as nanopartículas plasmônicas, modificando-as com oligonucleotídeos de DNA tiolados. Então, para armazenamento de dados, eles carregaram diferentes concentrações de NF, Nanopartículas de NM e NR no nano-comprimido de lipídio (LNT). Para desenvolver o software, Kim et al. usou um conjunto de DNAs de instrução em solução, e a operação lógica seguiu três etapas.
A equipe primeiro armazenou as informações moleculares na unidade de nano-memória (NM) por meio da hibridização de DNA. Por exemplo, uma única partícula NM poderia formar um dispositivo de memória de um bit em que zero ou um representasse o estado biestável. Na segunda etapa, eles realizaram a operação lógica como uma combinação de DNAs de instrução, para iniciar a montagem de nanopartículas-nanopartículas competitivas com diferentes cinéticas com base no estado de nano-memória. Para redefinir o chip do computador ao seu estado inicial, Kim et al. adicionou uma solução de redefinição (buffer de baixo teor de sal e alta temperatura), que separou os pares de bases de DNA de entrada e instrução no chip.
Estratégia de programação de software usando DNAs de instrução. (A) Cinética de reação de três tipos de DNAs de instrução. A adição de DNAs de NM0 e NM1 Trap 8 nM permite captura lógica rápida (linhas sólidas) de NFs para NM com os estados "0" e "1", respectivamente, e nenhuma ou ligação lenta proibida pela lógica (linhas pontilhadas). A adição de 1 nM Report DNA mostra a ligação de NFs a NRs com um intervalo de tempo. (B) Programação da porta NOT de uma declaração If-Then-Else para uma combinação de DNAs de instrução que codificam o NNN. (C) NÃO operação de porta no LNT. Para a entrada “0, ”A NF não tem interação específica com M0 e gera conjuntos NF-NR (círculo pontilhado ciano) como a saída“ 1 ”(razão de relatório> 0,2, caixa verde). Para a entrada de DNA "1" armazenada no NM, os NFs estão presos ao NM1 (círculo pontilhado amarelo), resultando na saída "0" (razão de relatório =<0,2, caixa verde). Crédito:Science Advances, doi:10.1126 / sciadv.abb3348 
Kim et al. usaram dois tipos de DNAs de instrução chamados DNAs Trap e Report para fornecer instruções para os nanoflutuadores. Eles projetaram especificamente o Trap DNA para ligar os nano-flutuantes para formar nanopartículas de tomada de decisão lógica. A equipe otimizou a concentração de DNAs de instrução e a densidade de cada nanopartícula para induzir uma cinética de captura rápida em comparação com o relatório. Os comportamentos de captura e relatórios competitivos resultaram em cinética de ligação expressa como uma declaração if-then-else, permitindo-lhes pesquisar primeiro se a condição If satisfaz as operações TRUE ou FALSE e, em seguida, operar a instrução "then" ou "else". Os cientistas implementaram a operação lógica misturando DNA de armadilha e DNA de relatório no chip NVNA-LNT. Durante o processo, eles notaram a montagem de alguns estados logicamente proibidos, que eles otimizaram ainda mais.
Programação de uma porta lógica booleana de duas entradas com NNN e demonstração de uma função de reset. (A) Perceptron de camada única para uma porta lógica AND. A rede de nanopartículas em quatro combinações de entrada é representada com as linhas sólidas indicando a reação de montagem das nanopartículas e as linhas pontilhadas indicando nenhuma ou uma reação suprimida. A saída “1” (caixa azul) é representada pelo relatório NF — NR (pontos azuis) para trapping NF — NM (pontos verdes) sobre 0,2 (caixa verde). (B) Múltiplas execuções de portas lógicas em um único chip reiniciando após cada execução (caixa amarela). (C) Execução de portas lógicas INH e NOR usando codificação de peso. (D) Execução de OU, NAND, XOR, e portas lógicas XNOR usando perceptron multicamadas com dois tipos de NF. A saída "1" é representada por uma razão de relatório entre 0,2 e 0,6 porque uma única NF entre duas NFs gera a saída "1". Crédito:Avanços científicos, doi:10.1126 / sciadv.abb3348
Rede neural de nanopartículas com reinicialização e capacidade de reutilização
A equipe representou a rede de reação entre várias nanopartículas conectadas via DNAs de instrução, usando um perceptron - um tipo de rede neural artificial para um classificador binário. Eles expandiram a estratégia de programação para construir a rede neural de nanopartículas (NNN) na plataforma LNT e implementaram circuitos lógicos booleanos arbitrários para entradas de dois bits. Em seguida, eles calcularam o número de nós de nanopartículas necessários para completar funcionalmente os operadores lógicos booleanos na rede neural. O hardware contou com nanoestruturas modificadas covalentemente em um chip lipídico para múltiplas execuções. Eles testaram a função de reinicialização do sistema quanto à capacidade de reutilização, deshibridizando todos os conjuntos de DNA após a troca da solução tampão na configuração. O reset permitiu que os DNAs tiolados permanecessem nas nanopartículas, retornando assim ao estado inicial para a próxima função.
Execução de um comparador de 2 bits com árvore de decisão em um único chip. (A) Circuito lógico digital e diagrama NNN para AB> CD, e resultado da operação de 16 combinações de duas entradas AB e CD de 2 bits. (B) Árvores de decisão para o comparador de magnitude. A estrutura de árvore de duas camadas gera três resultados, indicando a magnitude relativa de duas entradas binárias de 2 bits. Entradas de quatro bits de 1111, 0110, e 1000 resultam em AB =CD, AB
O processo de tomada de decisão e a porta lógica fan-out
Kim et al. em seguida, explorou o sistema com uma árvore de decisão sequencial. A árvore de decisão se assemelha a um fluxograma para produzir uma decisão final de SIM ou NÃO na rede neural de nanopartículas. Devido às suas características geométricas e propriedades ópticas em nanoescala, o núcleo da nanopartícula plasmônica do nanocompósito lipídico foi fundamental para a computação. À medida que o número de nós de nanopartículas e a complexidade associada do circuito lógico aumentaram, a cinética da reação permaneceu idêntica devido às reações paralelas do perceptron multicamadas. A equipe usou uma poderosa capacidade de programação e a função de redefinição da configuração para operar sequencialmente o comparador de dois bits.
Desta maneira, Sungi Kim e seus colegas desenvolveram um perceptron de nanopartículas com a arquitetura de von Neuman baseada em nanopartículas (NVNA) em um chip de nanocomprimido lipídico (LNT) e exploraram o sistema com uma árvore de tomada de decisão sequencial. A configuração incluiu uma função de redefinição para reutilização. A arquitetura de computação baseada em nanopartículas e a rede neural de nanopartículas (NNN) forneceram uma plataforma para computação molecular ao lado de DNAs de instrução. O processo permitiu escalabilidade e abre caminho para o uso de nanopartículas no aprendizado profundo, interfaces neurais e computação neuromórfica para gerenciar e analisar informações biomoleculares complexas. Esta arquitetura de computação pode ser incorporada à microfluídica para imitar e interrogar sistemas vivos complexos para desenvolver sistemas inteligentes de triagem de drogas.
© 2020 Science X Network
