Krople wody w oleju liczą jonami i pamiętają, co działo się przed chwilą

W elektronice sąsiednie elementy nie powinny się „słyszeć”. Przesłuch między ścieżkami to błąd, który inżynierowie tępią od dekad. Zespół z Penn State zrobił coś odwrotnego. Zbudował sieć z kropel wody, w której każda kropla czuje sąsiadkę, i właśnie to wzajemne podsłuchiwanie okazało się źródłem mocy obliczeniowej. Autorzy nazywają taką sieć tkanką neuromorficzną. Prądem płyną w niej jony, a nie elektrony.

Praca „Neuromorphic tissues: Soft biomolecular networks for brain-inspired temporal computing” ukazała się 24 lipca 2026 roku w „Science Advances” (tom 12, eaed0971). Autorami są Nicholas X. Armendarez i Ahmed S. Mohamed, którzy mają równy wkład, oraz Md Sakib Hasan z University of Mississippi i Joseph S. Najem z Penn State. Najem i Hasan są autorami korespondencyjnymi. Głośno o wyniku zrobiło się 13 października, gdy uczelnia rozesłała komunikat prasowy.

Komputer z kropel, oleju i tłuszczu

Przepis brzmi jak z kuchni. Kroplę wody z solą i lipidem, czyli cząsteczką tłuszczu, z jakiej zbudowane są błony komórek, wpuszcza się do oleju. Lipidy same układają się na powierzchni kropli w cienką warstwę. Gdy dwie takie krople się zetkną, ich warstwy sklejają się w podwójną błonę. Powstaje bardzo uproszczona kopia ściany komórki. Badacze nazywają ją w skrócie DIB, od angielskiego droplet interface bilayer.

Sama błona przewodzi słabo. Zachowuje się jak kondensator: gromadzi ładunek po obu stronach. W kroplach jest jednak jeszcze jeden składnik. To alametycyna, krótki peptyd wytwarzany przez grzyby. Dopóki napięcie na błonie jest niskie, peptyd tylko przylega do jej powierzchni. Gdy napięcie przekroczy próg, cząsteczki wbijają się w błonę i tworzą pory. Jony zaczynają płynąć, błona nagle przewodzi. Po chwili pory się zamykają, a błona wraca do stanu wyjściowego.

To zachowanie ma w elektronice nazwę. Element, którego opór zależy od tego, co działo się z nim przed chwilą, to memrystor. Grupa Najema pokazała już w 2018 roku w „ACS Nano”, że błony z alametycyną działają jak takie miękkie memrystory. Ich pamięć jest krótka i z czasem zanika. W tym miejscu zaczyna się paradoks: zanikająca pamięć, którą w zwykłym układzie pamięci uznano by za wadę, tu jest potrzebna.

Dlaczego zapominanie pomaga liczyć

Ten sposób liczenia nazywa się reservoir computing, po polsku obliczenia rezerwuarowe. Pomysł jest prosty. Bierze się układ fizyczny o bogatej, nieliniowej dynamice i wpuszcza do niego sygnał, który zmienia się w czasie. Układ odpowiada złożonym wzorem stanów. W tym wzorze zostają ślady wcześniejszych bodźców, ale stare ślady powoli bledną. Na końcu wystarczy prosta, uczona warstwa odczytu, która łączy zmierzone stany w odpowiedź. Samego rezerwuaru nikt nie trenuje.

Taki rezerwuar może być optyczny, magnetyczny albo elektroniczny. Memrystory kuszą, bo są małe i zużywają mało energii. Autorzy zwracają jednak uwagę na słabość większości dotychczasowych prób. Memrystory ustawiano obok siebie, a każdy odpowiadał na sygnał niezależnie. Taka równoległa macierz ma krótką i płaską pamięć. Matematyka jest tu bezlitosna: pojedynczy element tego typu to układ pierwszego rzędu. Złożonych, chaotycznych zachowań nie da się z niego wydobyć, nawet gdy ustawi się ich tysiące obok siebie.

Mózg działa inaczej. Neurony są gęsto połączone i bez przerwy oddają sobie sygnały. W kropelkowej sieci to sprzężenie pojawia się samo. Każda kropla dzieli błony z sąsiadkami, więc prąd wstrzyknięty do jednej z nich ładuje błony dookoła. Gdy na którejś napięcie przekroczy próg, otwierają się pory i ładunek przechodzi dalej. Błona na chwilę zamienia się w przewodzące połączenie, które autorzy porównują do synapsy. Sygnał krąży, nakłada się i wraca bez żadnego zewnętrznego obwodu sprzężenia zwrotnego.

„W krzemie, żeby zbudować komputer, potrzebny jest obwód. U nas obwodem jest sam materiał” – mówi Najem w komunikacie uczelni. Błony przechowują ładunek, a kanały jonowe sterują przepływem między kroplami.

Co zbudowano w laboratorium

Uczciwie trzeba oddzielić dwie części pracy. Pierwsza to doświadczenie. Zespół wydrukował w 3D formę, odlał z niej silikonową wanienkę z rzędem małych gniazd i do każdego doprowadził od spodu cienki drut srebrny pokryty chlorkiem srebra. Wanienkę wypełniono olejem, a do gniazd przeniesiono krople po około 500 nanolitrów. Siedem kropli ułożyło się w łańcuch. Stężenie alametycyny zmieniało się w nim według wzoru 1, 2 i 3 mikromole na litr.

Do pierwszej kropli płynął prąd od 0 do 170 nanoamperów, podawany impulsami po 3 milisekundy. Ostatnia kropla była uziemiona, a z sześciu pozostałych odczytywano napięcie. Ważna zmiana wobec starszych prac polega właśnie na tym, że sieć dostaje prąd, a oddaje napięcie. Wcześniej grupa podawała napięcie i mierzyła prąd każdego elementu osobno. W połączonej sieci prądy płyną wspólnymi drogami, więc tak się już nie da. Przy okazji napięcie rośnie łagodnie, co zmniejsza ryzyko przebicia błony. Takie przebicie grozi zwykle przy około 200–300 miliwoltach.

Z pomiarów zespół zbudował model fizyczny sieci i porównał go z doświadczeniem na 100 zmianach sygnału. Zgodność była dobra, zwłaszcza przy wyższych napięciach. Średni znormalizowany błąd kwadratowy między modelem a pomiarem wyniósł około 0,41. Dla pojedynczej błony ten sam wskaźnik wynosił 1,15, bo pory alametycyny otwierają się i zamykają losowo. W łańcuchu ten szum wyraźnie słabł. Autorzy sądzą, że sprzężenie między kroplami uśrednia przypadkowe zdarzenia.

Badacze sprawdzili też, czy nie oglądają zwykłego ładowania kondensatora. W symulacji łańcucha samych błon bez peptydu napięcie tylko powoli i szumnie rosło. Sieć z alametycyną nadążała za szybkimi zmianami sygnału. Impulsy trwały od 1 do 10 milisekund, a w podobnym tempie pory w błonach powstają i znikają.

Co policzono w symulacji

Druga część pracy to obliczenia na zweryfikowanym modelu. Tu padają liczby, które trafiły do nagłówków, dlatego warto pamiętać, że dotyczą sieci wirtualnych, większych niż ta na stole.

Pierwszy test nazywa się NARMA. To standardowe zadanie, w którym system ma przewidzieć kolejny krok ciągu zależnego od wielu poprzednich wartości. W wersji NARMA-10 trzeba pamiętać dziesięć kroków wstecz i jeszcze je nieliniowo przetworzyć. Dla równoległych memrystorów to zwykle za dużo. Najlepszy wariant symulowanej sieci miał 50 kropel w łańcuchu. Każdy impuls dzielono na trzy krótsze odcinki, co dało 150 stanów do odczytu. Błąd na danych testowych (NRMSE) wyniósł 0,327. Równoległy rezerwuar z niezależnych błon miał 0,627. To mniej więcej o połowę mniejszy błąd i stąd bierze się „prawie 50 procent” z komunikatu. W łatwiejszej wersji NARMA-2 różnica była ogromna: 0,0124 wobec 0,458.

Drugi test był trudniejszy. Układ Lorenza to klasyczny model chaosu z trzema zmiennymi, które wzajemnie na siebie wpływają. Drobna zmiana warunków początkowych szybko daje zupełnie inną trajektorię. Do symulowanej sieci w kształcie plastra miodu z 43 kropel wpuszczano trzy prądy, po jednym na każdą zmienną, w zakresie od −50 do +50 nanoamperów. Sieć miała przewidzieć następny krok. Błędy testowe wyniosły 0,071, 0,183 i 0,174 dla trzech zmiennych. Odtworzona trajektoria zachowała charakterystyczny kształt „motylich skrzydeł”. Równoległy rezerwuar zawiódł już na danych treningowych, z błędami od 0,6 do 0,8, a jego przewidywania szybko się rozjeżdżały.

Większa sieć dawała lepszy wynik. Przy 13 kroplach błędy dla dwóch trudniejszych zmiennych wynosiły 0,244 i 0,222, przy 43 kroplach spadły do 0,183 i 0,174. Nawet najmniejsze połączone sieci radziły sobie jednak przyzwoicie. Wniosek autorów jest jasny: o wyniku decyduje sprzężenie, a nie sama liczba elementów.

Trzecia obserwacja dotyczy różnorodności. Sieci z kroplami o mieszanym stężeniu peptydu wypadały lepiej niż sieci jednorodne. Losowe wymieszanie stężeń działało równie dobrze jak uporządkowany wzór. Różne krople reagują trochę inaczej, więc ich odpowiedzi mniej się powtarzają i niosą więcej informacji.

Po co komu mokry komputer

Najem nie twierdzi, że krople zastąpią procesory w laptopach. Jego argument dotyczy miejsca, w którym elektronika styka się z biologią. Organizm przesyła sygnały jonami w płynach i przez błony komórkowe. Implant albo czujnik w ciele musi te sygnały zamienić na ruch elektronów w metalu. Każda taka konwersja, jak mówi badacz, może opóźniać i zniekształcać sygnał, a do tego kosztuje energię. Układ, który od początku liczy jonami w wodzie, mógłby część tej pracy wykonać na miejscu.

Zespół wymienia trzy kierunki: czujniki, które same się dostosowują, miękką robotykę i obliczenia na styku z żywą tkanką. Najem mówi o celu, jakim jest „komercyjnie skalowalne” przetwarzanie jonowe, i o galaretowatych układach, które kiedyś mogłyby wspierać elektronikę w ciele. To deklaracje z komunikatu, nie wyniki pracy.

Warstwa biznesowa jest na razie cienka, ale istnieje. Penn State złożyła 7 lipca 2026 roku w amerykańskim urzędzie patentowym tymczasowe zgłoszenie na urządzenie i metodę budowy takich sieci. Czterej autorzy są w nim wymienieni jako wynalazcy. O spin-offie ani partnerze przemysłowym praca nie wspomina. Badania finansowały Army Research Office i amerykańska National Science Foundation. Kod i dane trafiły do otwartego repozytorium Zenodo, więc inne zespoły mogą sprawdzić symulacje.

Kropelkowa sieć wpisuje się w szerszy nurt. Fizyczne rezerwuary buduje się z laserów, nanodrutów czy sieci nanocząstek. Atutem kropel nie jest szybkość. Sieć składa się sama, łatwo ją przebudować, a każdej kropli można nadać inny skład. Do tego materiał z natury pasuje do środowiska biologicznego.

Czego ta praca nie obiecuje

Po pierwsze, w laboratorium pracował łańcuch siedmiu kropel. Sieci z 43 i 50 węzłami, które rozwiązują zadania NARMA i Lorenza, istnieją na razie w symulacji. Model zgadza się z pomiarem, ale tylko dla małego łańcucha i jednego typu lipidu.

Po drugie, krople nie działają same. Prąd podaje zewnętrzne źródło, napięcie zbiera wielokanałowy przetwornik, a warstwę odczytu liczy zwykły komputer. Autorzy sami piszą, że trzeba zbudować małe, oszczędne sterowniki i odczyt wbudowany w materiał, żeby mniej zależeć od sztywnej elektroniki.

Po trzecie, nie ma tu pomiaru zużycia energii całego układu. Hasło o „znacznie mniejszym koszcie energii” odnosi się do zasady działania, nie do liczby z tabeli.

Po czwarte, błony z lipidów są delikatne. Pękają przy zbyt wysokim napięciu, a pory alametycyny otwierają się losowo. Praca pokazuje, że w sieci ten szum słabnie, ale nie mówi, jak długo taka tkanka wytrzyma w pracy.

Dojrzałość: TRL 2

Na skali gotowości technologii to TRL 2. Jest sformułowana i opisana matematycznie zasada działania. Mały prototyp potwierdził model, a symulacje pokazały, co większe sieci mogłyby osiągnąć. Brakuje fizycznej sieci w skali kilkudziesięciu kropel, pomiaru energii, długotrwałej stabilności i jakiejkolwiek pracy poza stołem laboratoryjnym. Kolejne kroki autorzy widzą w drukowaniu kropel w trzech wymiarach, nowych lipidach i innych peptydach oraz w uczeniu, które dzieje się w trakcie pracy.

Najciekawsza lekcja jest odwrotna od intuicji inżyniera. Krzem uczy, żeby elementy od siebie izolować. Kropelkowa tkanka pokazuje, że czasem warto pozwolić im ze sobą rozmawiać.

Bibliografia

Armendarez N. X., Mohamed A. S., Hasan M. S., Najem J. S. Neuromorphic tissues: Soft biomolecular networks for brain-inspired temporal computing. Science Advances 12, eaed0971 (2026). DOI: 10.1126/sciadv.aed0971
Armendarez N., Mohamed A., Hasan M. S., Najem J. Neuromorphic tissues code repository. Zenodo (2025). DOI: 10.5281/zenodo.17296788
Najem J. S., Taylor G. J., Weiss R. J., Hasan M. S., Rose G., Schuman C. D. i in. Memristive ion channel-doped biomembranes as synaptic mimics. ACS Nano 12, 4702–4711 (2018). DOI: 10.1021/acsnano.8b01282
Armendarez N. X., Mohamed A. S., Dhungel A., Hossain M. R., Hasan M. S., Najem J. S. Brain-inspired reservoir computing using memristors with tunable dynamics and short-term plasticity. ACS Applied Materials & Interfaces 16, 6176–6188 (2024). DOI: 10.1021/acsami.3c16003
Du C., Cai F., Zidan M. A., Ma W., Lee S. H., Lu W. D. Reservoir computing using dynamic memristors for temporal information processing. Nature Communications 8, 2204 (2017). DOI: 10.1038/s41467-017-02337-y
Appeltant L., Soriano M. C., Van der Sande G., Danckaert J., Massar S., Dambre J. i in. Information processing using a single dynamical node as complex system. Nature Communications 2, 468 (2011). DOI: 10.1038/ncomms1476
Tkacik T. Tiny droplets form soft networks for brain-inspired computing. Penn State / TechXplore, 13 października 2026. techxplore.com