科学家利用化学动力学解决复杂问题

在化学和计算的交叉领域，格拉斯哥大学的研究人员开发了一种基于 Belousov-Zhabotinsky (BZ) 反应的混合数字化学概率计算系统，可用于解决组合优化问题。

通过利用 BZ 反应固有的概率性质，该系统展示了复杂系统中的复制和竞争等新兴行为，让人想起生物体。这可能为解决因现代计算的限制而困扰的计算任务的新方法铺平道路。

将电子控制和化学动力学相结合提供了一种执行高效计算的方法，将两者的优点结合起来，以开发具有无与伦比的效率和可扩展性的自适应仿生计算平台。

这项研究由格拉斯哥大学化学系主席 Leroy Cronin 教授领导，发表在《自然通讯》上。克罗宁教授向 Phys.org 讲述了他们的工作，并阐述了他追求这一目标的动机。

“我想看看我们是否可以制造一种新型的化学信息处理系统，因为我受到生物学如何在潮湿的大脑中处理信息的启发，”他说。

现代计算的局限性

现代计算依赖于晶体管，这是电子设备的构建模块，用于创建逻辑门和存储单元，形成数字电路的基础。但是，对更多计算能力的需求意味着晶体管变得越来越小。

由于制造和物理定律的限制，晶体管的小型化有一些限制。晶体管越小，制造起来就越困难，需要的功率也越大，散发的热量也就越多，能源效率也越来越低。

这促使科学家们探索其他类型的计算，例如量子计算，虽然量子计算在解决问题方面非常强大，但经典计算机不会因纠错而遭受可扩展性问题。

另一方面，基于物理过程(例如化学反应)的计算使用数字、化学和光学等系统的混合。这为非常规计算架构开辟了新途径，其功能超越了传统数字系统。

BZ反应

BZ 反应是化学振荡器的典型例子，反应物和产物浓度发生周期性变化。在许多化学系统中都可以观察到它，例如实验室环境和生物系统。

BZ 反应表现出复杂的非线性动力学的能力使其成为研究新兴现象和非常规计算范式的有吸引力的选择。

在这项研究中，BZ 反应因其固有的振荡行为、适应性和对外部刺激的响应能力而成为混合计算系统的基础。通过利用 BZ 反应的动力学，研究人员可以模拟自然系统中的复杂行为，从而提供通用的计算平台。

浓度可以作为二元信息(0 表示低浓度，1 表示高浓度)，而振荡浓度可以作为时间相关变量。此外，信息可以通过扩散等过程在具有 BZ 反应的各个细胞之间传播。

克罗宁教授进一步解释说：“反应有开和关两种状态，网络中的每个盒子[或单元]可以独立、同步或在通信后闪烁。这是系统可以编程计算的过程。然后由相机读出问题。”

混合可编程信息处理器

信息处理器的核心是 3D 打印的互连反应堆网格。每个反应器或单元都进行 BZ 反应，使其成为一系列 BZ 反应。

该阵列的输入是电子的，并由能够操纵这些单元内的反应的磁力搅拌器控制。还有界面搅拌器能够促进耦合细胞之间的相互作用(通过扩散)，这有助于同步振荡。

研究人员观察到，反应物和产物浓度的振荡以强制阻尼振荡的形式发生，搅拌器在控制它们方面发挥着至关重要的作用。

这种行为是 BZ 反应的一个特征，其中化学物质的浓度随时间发生周期性变化。这些变化可以通过液体颜色的变化来注意到。

输出处理涉及两个关键组件：卷积神经网络(CNN)和识别有限状态机(rfsm)。这些组件分析 BZ 反应中的反应物和产物浓度，并使用摄像机捕获这些浓度。

CNN 将浓度分类为离散的化学态，而 rfsm 根据该分类确定相应的化学态。

简单来说，离散化学态是根据 BZ 反应中反应物和产物的浓度进行分类和确定的，由于反应的性质，这些反应物和产物本身是概率性的。

概率性质的出现是因为 BZ 反应是非线性的，导致化学物质之间发生复杂的相互作用，随着时间的推移，其行为表现出固有的可变性和不可预测性。

整个系统基于液体颜色变化的反馈回路平稳、连续地运行。当浓度振荡时，系统处于“开启”状态，以蓝色表示;当缺乏振荡时，液体呈红色，这意味着系统处于“关闭”状态。

该循环根据颜色操纵搅拌器，确保该过程在“强制”或外部控制的帮助下连续进行。

化学元胞自动机和解决优化问题

研究人员使用混合处理器通过一维和二维实施化学细胞自动机(CCA)来展示其计算能力。

这些数学模型用于模拟由简单组件组成的复杂系统，这些组件根据预定义的规则在本地相互交互。

这导致了“化学物质”表现出的复制和竞争等新兴行为，“化学物质”是由承载 BZ 反应的互连反应器网格内的化学浓度模式定义的多细胞实体。

这些行为类似于在生物体中观察到的行为，并有助于计算系统的复杂性和适应性。

此外，研究人员证明，他们的计算方法结合了电子和化学成分，可以有效地解决组合优化挑战，例如旅行商问题。

在应用方面，像这样的混合系统对于需要非线性行为的深度学习任务非常有用。化学系统本质上提供了这样的特性，使得混合计算架构对于非线性和概率行为至关重要的特定问题具有资源效率。

科宁教授补充道：“我认为固态版本可以取代人工智能硬件，并且训练起来更加容易。”

未来，他希望探索这项技术的小型化，并增加网格的尺寸，以解决真正的大问题。