被称为“储备池”的物理系统旨在模拟神经网络，满足对提高计算效率和速度的需求。日本的研究人员最近克服了以往与这些储备池系统的兼容性、性能和整合的问题，开发出了一种基于氧化还原反应的离子调控晶体管，具备了改进的储备状态和短期记忆能力。这一进展为利用基于氧化还原反应的离子设备进行高性能神经形态计算提供了可能性。

随着人工智能、图像识别和物体检测的重大突破，计算领域近年来见证了一场卓越的革命。作为一个以数据驱动的领域，高效地分析和处理大型复杂数据集至关重要。为了提高数据驱动任务的效率和速度，研究人员正在探索利用数据中固有的复杂模式和关系来开发高性能的“神经形态”计算技术的可能性。

这种前沿的方法旨在复制大脑以并行且相互连接的方式处理信息的能力。通过这样做，它试图构建一个节点网络，能够将数据转化为适用于复杂任务，如模式识别、预测和分类的高维度表示。

类似神经网络的物理储备，接收并与输入信号或数据交互，它们的组成元素即神经元及其连接在时间上动态变化。这些储备状态代表特定时刻的物理系统，并在将输入信号转化为高维表示中发挥重要作用。然而，确保物理储备具备足够多的储备状态来实现高维度，却是一项具有挑战性的任务。

如今，日本东京科学大学（TUS）的桥內徹副教授带领团队在《先进智能系统》杂志上发表的一项研究中，成功研发出一种基于氧化还原反应的离子控制储备器（redox-IGR），该储备器能够达到历史最高水平的储备状态数量。通过这一研发成果，桥內博士与其合作者——TUS的和田智树先生、西冈大树先生，以及日本国家材料科学研究所（NIMS）的土谷隆士博士和寺部和也博士——如今为将高性能神经形态计算技术转化为现实打下了坚实的基础。

离子门控储存器由门电极、漏电极和源电极组成，它们之间由电解质隔开，电解质作为一种介质用于控制离子的流动。施加电压给门电极会在连接源电极和漏电极的通道内引发一种氧化还原反应，从而形成可以被精确调制的漏电流。因此，将时间序列数据集转换为门电压，可以使相应的输出电流成为不同的储存状态。

在这项研究中，研究人员使用锂（Li+）离子传导的玻璃陶瓷（LICGC）作为电解质。在LICGC中，锂离子与通道相比传播速度更快，导致产生两个输出电流——漏电流和额外的栅电流，从而有效地将储存状态的数量增加一倍。

此外，通道和电解质中离子传输的不同速率导致了排极电流相对于栅极电流的响应延迟。这种延迟响应使系统具备了短时记忆的能力，使储备池能够保留和利用过去输入的信息，这是物理储备池的一个至关重要的要求。

为了制造这个设备，研究人员在一个0.15毫米厚的LICGC基底上沉积了一层厚度为200纳米的氧化钴锂（LiCoO2）薄膜。栅电极由一层锂离子/铂（Pt）薄膜组成，而漏极和源极则采用了铂薄膜。连接漏极和源极的通道由一层厚度为100纳米的六氧化钨（WO3）薄膜构成。

“通过利用锂离子插入和脱附氧化还原反应在LixWO3薄膜中所诱导的，我们成功地再现了类似于神经电路的电特性。”解释了Higuchi博士。

展示出了令人瞩目的能力，该装置总共达到了40个储备状态（20个来自漏电流，20个来自栅电流）。在解决二阶非线性动态方程时，它胜过了其他物理储备器件，如记忆电阻和自旋转矩装置。

最值得注意的是，该设备具有非线性、短期记忆能力和大量的储备状态，使其在二阶非线性自回归滑动平均（NARMA2）任务中以低均方预测误差0.163成功预测，这是一个用于评估储备系统在执行复杂的非线性运算和根据输入和输出的过去数值预测时间序列输入未来值的基准测试。

解释这个发展的现实意义，樋口博士总结道：“这个研发的系统有潜力成为一种通用技术，未来将被应用于包括电脑和手机在内的各种电子设备中。”