$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
È ampiamente riconosciuto che le sinapsi biologiche sono responsabili per l'elevata efficienza ed enorme parallelismo del cervello dovuto la loro capacità di imparare ed elaborare le informazioni in modi altamente adattabili. Questa funzionalità coordinata emerge da multipli, altamente complessi meccanismi molecolari che guidano entrambi plasticità sinaptica a breve termine e a lungo termine1,2,3,4,5. Sistemi di calcolo focalizzeranno mirano a emulare le funzionalità sinaptiche a livelli prossimi alla densità, complessità e l'efficienza energetica del cervello, che sono necessari per la prossima generazione di computer cervello-come6,7 , 8. Tuttavia, riproduce la funzionalità sinaptica utilizzando elementi del tradizionale circuito elettronico è praticamente impossibile9, invece che richiedono la progettazione e la fabbricazione di nuovi elementi di hardware che può adattarsi ai segnali in ingresso e ricordare informazioni storie9. Questi tipi di sinapsi-ispirato hardware sono conosciuti come mem-elements9,10,11 (elementi di abbreviazione di memoria), che, secondo Di Ventra et al.9,11, sono passivo, due terminali dispositivi cui resistenza, capacitanza o induttanza possa essere riconfigurato in risposta agli stimoli esterni, e che può ricordare stati precedenti11. Per raggiungere livelli di consumo di energia si avvicina a quelli nel cervello, questi elementi dovrebbero impiegare materiali e meccanismi di plasticità sinaptica12simili.
Fin qui, due terminali memristors13,14,15 principalmente sono state costruite utilizzando tecnologia di (CMOS) metallo-ossido-semiconduttore complementare, caratterizzata da tensioni di commutazione ad alta e alta rumore. Questa tecnologia non si adatta bene a causa di alto consumo energetico e bassa densità. Per risolvere queste limitazioni, più organici e polimerici memristors sono state costruite recentemente. Tuttavia, questi dispositivi presentano significativamente più lento commutazione dinamica a causa della diffusione di ioni richiede molto tempo attraverso un polimero conduttivo matrice16,17. Di conseguenza, i meccanismi con cui entrambi i dispositivi basati su CMOS e organici memristive emulano sinapsi-ispirato funzionalità sono altamente fenomenologici, che comprende solo alcune funzionalità sinaptica come plasticità dipendente Timing (STDP) Spike per il 18, mentre con vista altro tasto funzioni che svolgono anche un ruolo essenziale nel rendere il cervello un computer potente ed efficiente, come plasticità a breve termine, pre-sinaptica19.
Recentemente, abbiamo introdotto una nuova classe di memristive dispositivi12 con peptidi attivati tensione incorporati nelle membrane lipidiche biomimetici che simula la composizione biomolecolare, struttura della membrana e ione canale attivato commutazione meccanismi biologici sinapsi20. Qui, descriviamo come assemblare ed elettricamente interrogare questi dispositivi di due terminali, con focus specifico su come valutare la plasticità a breve termine per l'attuazione nella linea di apprendimento applicazioni12. Montaggio del dispositivo si basa sul metodo della gocciolina interfaccia doppio strato (DIB)21 , che è stato usato estesamente negli ultimi anni per studiare la biofisica delle membrane modello21 e membrana-limitano agli ioni canali22,23, 24e come blocchetti di costruzione per lo sviluppo di materiali stimoli-sensible a reagire25,26. Descriviamo il processo di assemblaggio e interrogatorio di membrana in dettaglio per coloro che sono interessati nelle applicazioni focalizzeranno ma hanno limitato l'esperienza in biomateriali o membrana biologia. Il protocollo comprende anche una descrizione completa della procedura di caratterizzazione, che è importante quanto il processo di assemblaggio, dato il dinamica e riconfigurabile proprietà elettriche del dispositivo27. La procedura e rappresentante risultati descritti qui sono fondamenti per una nuova classe di basso costo, basso consumo, mem-elementi morbidi basati su interfacce del lipido e altre biomolecole per le applicazioni in focalizzeranno computing, strutture autonome e sistemi, e anche interfacce cervello-computer adattivo.