《Advanced Physics Research》:Magnetic Field-Modulated Boolean Logic in Proteinoid- Fe3 O4 Hybrid Materials
编辑推荐:
类蛋白-纳米颗粒复合材料是非传统计算的新希望。它们利用自组装类蛋白聚合物以及氧化铁纳米颗粒的磁性和电子特性。本研究考察了Glu-Phe-Asp类蛋白微球如何与纳米颗粒(Fe3O4)相互作用,展示了它们在神经形态计算(
类蛋白-纳米颗粒复合材料是非传统计算的新希望。它们利用自组装类蛋白聚合物以及氧化铁纳米颗粒的磁性和电子特性。本研究考察了Glu-Phe-Asp类蛋白微球如何与纳米颗粒(Fe3O4)相互作用,展示了它们在神经形态计算(neuromorphic computing)中的潜力。研究人员在这些复合材料中发现了自发电振荡,并研究了外部磁场(65、84 和 103 mT)如何改变其振荡行为。研究结果表明,这些复合材料可以模拟布尔逻辑门(Boolean logic gates),并对不同磁场强度表现出不同的响应。Fe3O4纳米颗粒增强了类蛋白微球中质子驱动的尖峰放电(proton-driven spiking),从而实现可调的电化学行为。这项工作表明,类蛋白-Fe3O4纳米颗粒复合材料可以作为创建仿生计算系统的优秀平台,这些系统可能具有自适应功能、节能和容错能力,为模仿生物神经网络的神经形态系统开辟了新途径。
**论文解读:蛋白oid-Fe
3O
4杂化材料中的磁场调控布尔逻辑**
**研究背景与问题**
传统硅基计算系统在能耗、尺寸和并行处理能力方面日益受到物理极限的制约,而生物神经系统以极低的功耗(人脑约20 W)实现了复杂的并行信息处理,这促使研究人员探索仿生计算新范式。类蛋白(proteinoid)是通过氨基酸热缩合合成的自组装多肽,其电化学振荡行为可模拟神经元的尖峰放电(spiking),但纯类蛋白体系振荡幅度和频率较低,缺乏外部可调性。氧化铁纳米颗粒(Fe
3O
4)具有超顺磁性和催化活性,但单独使用时难以形成稳定的计算架构。当前领域面临的主要问题包括:类蛋白与Fe
3O
4在分子水平的相互作用机制不明;类蛋白-Fe
3O
4复合材料能否实现可编程的逻辑运算尚待验证;外部磁场对该体系电化学行为的调控规律及其在神经形态计算中的应用潜力未被充分探索。开展本研究旨在填补这些空白,将类蛋白的自组装生物特性和Fe
3O
4的磁电特性结合,构建一种新型的、磁场可调的仿生计算平台。
**研究内容与结论**
研究人员制备了Glu-Phe-Asp类蛋白微球与5 nm Fe
3O
4纳米颗粒(浓度5 mg/mL)的复合体系(50/50 v/v),通过热共聚法合成类蛋白,并利用扫描电子显微镜(SEM)、能量色散X射线光谱(EDX)表征结构。电化学测量采用定制多电极装置(Pt/Ir电极、PicoLog ADC-24数据采集系统),在无磁场及65、84、103 mT三个磁场强度下记录长达175 000秒的电势变化,并通过峰值检测和统计分析方法提取振荡参数。研究发现:复合材料表现出自发电振荡,与纯类蛋白(平均0.001 Hz)相比,振荡频率提升约2-4倍;通过加权阈值方法,以两通道(ChF和ChH)的电位波动为输入,成功实现了AND、OR、XOR、NAND、NOR、NOT六种布尔逻辑门的仿生运算;磁场强度对振荡行为呈非线性调控——84 mT增强振幅(如ChF平均振幅从23.05 mV升至50.83 mV),而103 mT抑制振幅(ChF降至9.95 mV);相关性分析显示磁场改变通道间耦合,如84 mT下ChF与ChI正相关性达0.73;分子机制方面,质子驱动的尖峰放电(proton-driven spiking)因Fe
3O
4纳米颗粒的催化作用及磁调制界面效应而增强。论文发表在《Advanced Physics Research》,表明该类蛋白-Fe
3O
4杂化材料可用于构建超低功耗(理论估算~pW级)、具自适应性和容错性的神经形态计算系统,弥合了生物神经网络与人工计算系统之间的鸿沟。
**主要关键技术方法**
研究人员采用热共聚法(170 °C,氮气气氛,6小时)合成Glu-Phe-Asp类蛋白,并以50/50 v/v比例与5 nm Fe
3O
4水悬液(5 mg/mL)混合。电化学测量使用自建装置:八通道Pt/Ir电极连接PicoLog ADC-24(24位分辨率)和PalmSens 5恒电位仪,在175 000秒内以1 Hz采样率记录电势,通过动态阈值峰值检测(最小峰间距100秒)量化振荡周期和振幅。磁场施加采用钕磁铁圆盘(N42级,直径10 mm,厚度2 mm),通过调节磁铁与电极间距(4-8 mm)产生65、84、103 mT,并用Hirst GM08高斯计验证空间均匀性(±5%)。样本队列来源为每次实验新制备的溶液,所有实验三次重复。
**研究结果**
**3.1 蛋白oid-Fe
3O
4杂化微球的结构形貌**:SEM显示类蛋白微球为中空球状,壁厚200-300 nm,直径0.421-4.796 μm,Fe
3O
4纳米颗粒(平均团簇14.639 nm,单个1.618-2.304 nm)均匀嵌入蛋白oid基质而非形成核壳结构;EDX证实铁含量0.49 wt.%,与50/50混合比一致;Fe
3O
4表面羟基与蛋白oid羧基通过配位键稳定结合。
**3.2 无磁场下Fe
3O
4-蛋白oid混合物的自发电振荡**:多通道记录显示ChB、C、E平均电位较高(32.99、30.63、40.73 mV),ChF具有最高振荡功率(4.586 μV
2/Hz)和频率(0.0032 Hz),ChH频率最高(0.0042 Hz,722个峰),ChG振幅最低(8.85 mV)。
**3.3 蛋白oid-Fe
3O
4复合材料与纯组分的振荡行为比较**:复合材料平均峰数(134.0)高于纯蛋白oid(54.88)但低于纯Fe
3O
4(206.63),频率范围更宽(0.175-1.994 mHz),证明协同效应增强电振荡。
**3.4 利用Fe
3O
4-蛋白oid混合物模拟布尔逻辑**:以ChF和ChH的加权电位为输入,通过阈值比较(ChF平均37.86 mV,ChH平均22.12 mV)成功实现六种逻辑门,XOR门具有最多过渡次数(947次),OR门与两输入正相关性最强(与F:0.6624,与H:0.6400)。
**3.5 磁场诱导的Fe
3O
4-蛋白oid复合材料自发电振荡扰动**:84 mT增强振幅(ChF平均振幅从23.05升至50.83 mV,ChD从10.63升至47.55 mV),103 mT抑制振幅;相关性分析显示103 mT下某些通道间耦合增强(如ChB与F:0.86),而抑制另一些(如ChH与I:-0.98)。
**3.6 磁场调制的分子级机制**:低场(65 mT)开始可测效应;84 mT平衡纳米颗粒激活与界面稳定性,最佳增强振荡;103 mT因超顺磁纳米颗粒过度对齐导致界面刚性化,质子通道受限,振幅和频率下降。
**3.7 磁场下布尔逻辑门的模拟**:65 mT下XOR门最活跃(947次过渡,占空比0.0023 Hz);84 mT下所有门活性降低(AND门193次过渡);103 mT下XOR门活性回升(1084次过渡),OR和NOR门也增强,表明磁场可编程调节计算行为。
**3.8 蛋白oid-Fe
3O
4复合材料的结构-性能关系**:Fe
3O
4含量仅0.49 wt.%即大幅提升振幅(从纯蛋白oid的5-50 mV至60-220 mV),且壁厚200-300 nm提供充分空间容纳纳米颗粒,避免机械失稳。
**3.9 超顺磁行为对神经形态计算的意义**:5 nm Fe
3O
4的超顺磁性确保快速磁响应、无磁滞、可逆切换及线性响应,避免了铁磁颗粒的磁记忆效应。
**3.10 蛋白oid尖峰放电机制及Fe
3O
4的增强作用**:质子(H
+)在微球内部积累(由疏水性苯丙氨酸维持),受环境变化触发后快速跨边界运动,导致电尖峰;Fe
3O
4催化质子传递(通过Fe-OH ? FeO
- + H
+平衡)并产生局部磁场,增加尖峰幅度和频率。
**讨论与结论**
讨论部分指出,磁场强度对振荡的非线性调控源于超顺磁纳米颗粒的磁矩排列与蛋白oid界面柔性的竞争:84 mT处增强源于平衡态优化,103 mT处抑制因过度硬化。复合材料在无磁场下通道间独立性为逻辑运算提供了多输入基础,磁场则可重配置通道耦合,实现可编程计算。功率分析表明,蛋白oid基系统理论功耗仅~pW,比英特尔Loihi(0.1 W)低约8个数量级,极适合超低功耗应用。研究结论部分翻译如下:研究人员对蛋白oid-Fe
3O
4纳米颗粒复合材料的研究表明,它们可能适用于新型计算方法。这些复合材料中的自发电振荡及其模拟布尔逻辑的能力,为仿生计算提供了诱人的潜力。振荡模式取决于磁场强度:84 mT增强振幅而103 mT抑制之,展示了外部因素如何调控计算行为。这种可调响应对于开发自适应计算系统尤为宝贵。蛋白oid-Fe
3O
4复合材料中较高的电活性归因于蛋白oid微球的质子驱动尖峰放电与Fe
3O
4纳米颗粒磁性质的相互作用,这种协同效应产生了类似生物神经网络的稳定且可重构的电化学动力学。挑战依然存在:需理解蛋白oid与Fe
3O
4在分子水平的相互作用,确保不同环境下的长期稳定性,并开发大规模生产方法。未来研究应优化Fe
3O
4浓度,探索不同磁场配置对性能的影响,并将这些复合材料集成到实际计算系统中。这项工作为神经形态计算做出了贡献,展示了仿生材料如何执行计算任务,可能提供能效、适应性和容错性等优势。蛋白oid-Fe
3O
4纳米颗粒复合材料提供了一种全新的计算思考方式,连接了生物神经网络与人工系统,为未来计算方法开辟了新可能。