La arquitectura von Neumann basada en nanopartículas (NVNA) en un chip de nanotabletas de lípidos (LNT). (A) Esquema de NVNA-LNT. El LNT se opera con software compuesto por ADN de instrucción en solución y hardware compuesto por nanopartículas en una bicapa lipídica. El hardware consta de una unidad de almacenamiento de datos, NUEVO MÉJICO; una unidad de salida, NR; y una unidad de procesamiento, NF. Un conjunto de ADN de instrucción programa la operación lógica utilizando una diferencia cinética entre las reacciones de nanopartículas con el estado de almacenamiento de la memoria. (B) Protocolo LNT:(i) almacenamiento de datos en NM, (ii) operación de red neuronal (NNN) por adición de conjunto de ADN de instrucción, y (iii) reiniciar mediante la deshibridación de ADN para las próximas ejecuciones. (C) Las imágenes microscópicas de campo oscuro con lapso de tiempo pueden diferenciar cada nanopartícula en LNT mediante la dispersión del color y la movilidad. Las nanopartículas no marcadas son NM. (D) El almacenamiento de información molecular en el NM cambia el dominio monocatenario expuesto. (OJOS, resultados de la operación de la puerta. La entrada "1" da como resultado la salida "1, ”Imprimiendo el NF-NR. De lo contrario, todos los NF están atrapados en NM y no muestran reacción en NR, que es la salida "0". Crédito:Science Advances, doi:10.1126 / sciadv.abb3348
Las arquitecturas de computación escalables basadas en nanopartículas tienen varias limitaciones que pueden comprometer severamente el uso de nanopartículas para manipular y procesar información a través de esquemas de computación molecular. La arquitectura de von Neumann (VNA) subyace a las operaciones de múltiples operaciones lógicas moleculares arbitrarias en un solo chip sin volver a cablear el dispositivo. En un nuevo informe, Sungi Kim y un equipo de científicos de la Universidad Nacional de Seúl en Corea del Sur desarrollaron el VNA basado en nanopartículas (NVNA) en un chip de lípidos. Las nanopartículas del chip de lípidos funcionaban como hardware, con recuerdos, procesadores y unidades de salida. El equipo utilizó hebras de ADN como software para proporcionar instrucciones moleculares para programar los circuitos lógicos. La arquitectura von Neuman basada en nanopartículas (NVNA) permitió que un grupo de nanopartículas formara una red neuronal de avance conocida como perceptrón (un tipo de red neuronal artificial). El sistema puede implementar operaciones lógicas booleanas funcionalmente completas para proporcionar un programable, Arquitectura de computación escalable y reiniciable y placa de circuito para formar redes neuronales de nanopartículas y tomar decisiones lógicas. El trabajo ahora está publicado en Avances de la ciencia .
La arquitectura de von Neumann en la computación moderna y la computación molecular
Las computadoras electrónicas del pasado solo podían ejecutar un programa fijo y los investigadores tenían que volver a cablear y reestructurar físicamente los procesos para reprogramar tales máquinas. La arquitectura de von Neumann (VNA) desarrollada por John von Neumann en 1945 y posteriormente citada por Alan Turing en su propuesta para el motor de cálculo automático, detalla una computadora con programa almacenado para ejecutar un conjunto de instrucciones. El sistema procesó la información obteniendo secuencialmente los datos almacenados y las instrucciones de la memoria para generar salidas. La potente capacidad de programación del VNA es aplicable a las computadoras modernas y a la computación cuántica.
La computación molecular con nanoestructuras puede permitir una variedad de tecnologías como puertas lógicas de nanopartículas, biosensores de una sola molécula y detección lógica, aunque tales sistemas se limitan a un solo programa, al igual que las primeras computadoras electrónicas. Los límites surgieron desde que los investigadores incorporaron el software (función) y el hardware nanoestructural como una sola unidad. Para superar este desafío, pueden incluir bicapas lipídicas para compartimentar moléculas y nanopartículas. Kim y col. había desarrollado previamente una plataforma informática con nanopartículas en una bicapa lipídica para formar una nanotableta lipídica nano-bioinformática (LNT). En este trabajo, diseñaron y realizaron una plataforma de arquitectura von Neuman (NVNA) basada en nanopartículas para la computación molecular en una nanotableta de lípidos (LNT).
Red neuronal de nanopartículas (NNN) para un sistema de 3 entradas funcionalmente completo. El sistema se puede representar con un diagrama de perceptrón multicapa con tres capas (entrada, capas ocultas y de salida), donde xi es una entrada, Wisconsin, j y vj son pesos, e y es una salida. Cada capa tiene tres nodos de entrada, cuatro nodos ocultos y una capa de salida, respectivamente. NF calcula una suma ponderada de entradas y un sesgo y se puede activar con una función de activación de la función escalón Heaviside. Los ADN de la trampa NM0 y NM1 se pueden representar mediante pesos discretos de 1 y -1, respectivamente, ya que NM0 Trap DNA desactiva el NF en la entrada 0 y NM1 Trap DNA desactiva el NF en la entrada 1. Dado que establecen el umbral para la función de activación en 0, el sesgo es necesario para equilibrar los valores positivos y negativos de la suma ponderada de insumos. El sesgo se define como el número de ADN trampa NM0. Los NF activados pueden unirse a NR como salida “1”. Crédito:Science Advances, doi:10.1126 / sciadv.abb3348 
El equipo creó un dispositivo de programa almacenado para implementar la computación molecular a través de la arquitectura de von Neumann con nanopartículas, al tiempo que se incluye el concepto de memoria para almacenar información molecular. Separaron el software y el hardware para la escalabilidad del procesamiento de la información en el nanotableta de lípidos (LNT) para realizar múltiples tareas computacionales sin desarrollar un nuevo dispositivo cada vez. Para componer el chip de hardware LNT, utilizaron tres tipos de nanopartículas modificadas con ADN, incluyendo la nano-memoria (NM), nano-flotador (NF), y nano-reportero (NR). La nano-memoria y el nano-reportero eran nanopartículas inmóviles que funcionaban como un dispositivo de almacenamiento de información molecular y una unidad de salida. respectivamente. Se refirieron a las nanopartículas móviles como nano-flotadores que se difundieron libremente y colisionaron con partículas inmóviles. Los científicos funcionalizaron las nanopartículas plasmónicas modificándolas con oligonucleótidos de ADN tiolados. Luego, para el almacenamiento de datos, cargaron diferentes concentraciones de NF, Nanopartículas de NM y NR en la nano-tableta de lípidos (LNT). Para desarrollar el software, Kim y col. usó un conjunto de ADN de instrucciones en solución, y la operación lógica siguió tres pasos.
El equipo primero almacenó la información molecular en la unidad de nano-memoria (NM) a través de la hibridación de ADN. Por ejemplo, una sola partícula de NM podría formar un dispositivo de memoria de un bit en el que cero o uno representa el estado biestable. En el segundo paso, realizaron la operación lógica como una combinación de ADN de instrucción, iniciar un ensamblaje competitivo de nanopartículas-nanopartículas con diferentes cinéticas basadas en el estado de la nano-memoria. Para restablecer el chip de la computadora a su estado inicial, Kim y col. agregó una solución de reinicio (tampón bajo en sal y alta temperatura), que separó los emparejamientos de base de ADN de entrada y de instrucción en el chip.
Estrategia de programación de software utilizando Instruction DNAs. (A) Cinética de reacción de tres tipos de ADN de instrucción. La adición de 8 nM NM0 y NM1 Trap DNAs permite una rápida captura lógica permitida (líneas continuas) de NF a NM con los estados "0" y "1", respectivamente, y ningún enlace o enlace prohibido por lógica lenta (líneas de puntos). La adición de ADN de informe 1 nM muestra la unión de NF a NR con un tiempo de retardo. (B) Programación de la puerta NOT de una instrucción If-Then-Else a una combinación de ADN de instrucción que codifican el NNN. (C) NO operación de puerta en el LNT. Para la entrada "0, ”El NF no tiene una interacción específica con M0 y genera ensamblajes NF — NR (círculo punteado cian) como la salida“ 1 ”(relación de reporte> 0.2, caja verde). Para la entrada de ADN "1" almacenada en el NM, los NF están atrapados en el NM1 (círculo punteado amarillo), dando como resultado la salida "0" (relación de informes =<0,2, caja verde). Crédito:Science Advances, doi:10.1126 / sciadv.abb3348 
Kim y col. usó dos tipos de ADN de instrucción llamados ADN de captura e informe para proporcionar instrucciones para los nano-flotantes. Diseñaron específicamente Trap DNA para unir los nano-flotadores para formar nanopartículas de toma de decisiones lógicas. El equipo optimizó la concentración de ADN de instrucción y la densidad de cada nanopartícula para inducir una cinética de captura rápida en comparación con los informes. Los comportamientos de captura e informes competitivos dieron como resultado una cinética vinculante expresada como una declaración if-then-else, permitiéndoles buscar primero si la condición If satisfacía las operaciones VERDADERO o FALSO y luego operar la instrucción "entonces" o "si no". Los científicos implementaron la operación lógica mezclando el ADN de la trampa y el ADN del informe en el chip NVNA-LNT. Durante el proceso, notaron la asamblea de algunos estados lógicamente prohibidos, que optimizaron aún más.
Programación de una puerta lógica booleana de dos entradas con NNN y demostración de una función de reinicio. (A) Perceptrón de una sola capa para una puerta lógica AND. La red de nanopartículas en cuatro combinaciones de entrada se representa con líneas continuas que indican la reacción de ensamblaje de nanopartículas y las líneas de puntos que indican ninguna reacción o una reacción suprimida. La salida “1” (recuadro azul) está representada por informes NF — NR (puntos azules) al trampeo NF — NM (puntos verdes) sobre 0,2 (recuadro verde). (B) Ejecuciones múltiples de puertas lógicas en un solo chip reiniciando después de cada ejecución (cuadro amarillo). (C) Ejecución de puertas lógicas INH y NOR mediante codificación de peso. (D) Ejecución de OR, NAND, XOR, y puertas lógicas XNOR que utilizan perceptrón multicapa con dos tipos de NF. El resultado "1" está representado por una proporción de informes entre 0,2 y 0,6 porque un solo NF entre dos NF genera el resultado "1". Crédito:Science Advances, doi:10.1126 / sciadv.abb3348
Red neuronal de nanopartículas con reinicio y reutilización
El equipo representó la red de reacción entre múltiples nanopartículas conectadas a través de ADN de instrucción, utilizando un perceptrón, un tipo de red neuronal artificial para un clasificador binario. Expandieron la estrategia de programación para construir la red neuronal de nanopartículas (NNN) en la plataforma LNT e implementaron circuitos lógicos booleanos arbitrarios para entradas de dos bits. Luego calcularon el número de nodos de nanopartículas necesarios para completar funcionalmente los operadores lógicos booleanos en la red neuronal. El hardware se basó en nanoestructuras modificadas covalentemente en un chip de lípidos para múltiples ejecuciones. Probaron la función de reinicio del sistema para su reutilización deshibridando todos los conjuntos de ADN después de intercambiar la solución tampón en la configuración. El restablecimiento permitió que los ADN tiolados solos permanecieran en las nanopartículas, volviendo así al estado inicial para la siguiente función.
Ejecución de un comparador de 2 bits con árbol de decisión en un solo chip. (A) Circuito lógico digital y diagrama NNN para AB> CD, y resultado de operación de 16 combinaciones de dos entradas AB y CD de 2 bits. (B) Árboles de decisión para el comparador de magnitud. La estructura de árbol de dos capas genera tres resultados, que indica la magnitud relativa de dos entradas binarias de 2 bits. Entradas de cuatro bits de 1111, 0110, y 1000 dan como resultado AB =CD, AB
El proceso de toma de decisiones y la puerta lógica del abanico
Kim y col. luego exploró el sistema con un árbol de decisiones secuencial. El árbol de decisiones se asemejaba a un diagrama de flujo para producir una decisión final de SÍ o NO en la red neuronal de nanopartículas. Debido a sus características geométricas y propiedades ópticas a nanoescala, el núcleo de nanopartículas plasmónicas del nanotablet de lípidos era fundamental para la informática. A medida que aumentaba el número de nodos de nanopartículas y la complejidad del circuito lógico que lo acompañaba, la cinética de la reacción permaneció idéntica debido a las reacciones paralelas del perceptrón multicapa. El equipo utilizó una potente capacidad de programación y la función de reinicio de la configuración para operar secuencialmente el comparador de dos bits.
De este modo, Sungi Kim y sus colegas desarrollaron un perceptrón de nanopartículas con la arquitectura von Neuman basada en nanopartículas (NVNA) en un chip de nanotabletas de lípidos (LNT) y exploraron el sistema con un árbol secuencial de toma de decisiones. La configuración incluyó una función de reinicio para su reutilización. La arquitectura de computación basada en nanopartículas y la red neuronal de nanopartículas (NNN) proporcionaron una plataforma para la computación molecular junto con los ADN de instrucción. El proceso permitió la escalabilidad y allana el camino para usar nanopartículas en el aprendizaje profundo, interfaces neuronales y computación neuromórfica para administrar y analizar información biomolecular compleja. Esta arquitectura informática puede integrarse en microfluidos para imitar e interrogar sistemas vivos complejos para desarrollar sistemas inteligentes de detección de drogas.
© 2020 Science X Network
