纳流体

纳流体是指包含纳米颗粒的流体。这些纳米颗粒的材料通常是金属、氧化物、碳化物、或是碳纳米管等，而基液则通常是水、乙二醇和油等。

纳流体器件神经形态计算：在大数据时代，数据信息呈爆炸式增长，信息系统追求越来越快、同时也越来越智能的信息处理与存储。然而传统的计算机是依据冯·诺依曼计算架构与图灵机两大概念建立的。在冯·诺依曼计算架构中计算和存储功能是分离的，两者速度的不匹配形成了冯·诺依曼瓶颈，且这一差距被越拉越大，限制了信息处理速度和效率的进一步提高。另一方面，图灵机的状态跳变是预先确定好的控制规则进行，即它不具有自主学习能力。

神经形态计算借鉴人脑的认知信息处理模式，信息的处理与存储依靠神经元与突触均在神经网络中完成，这就实现了存储计算融合（In-memory computing），克服了冯·诺依曼瓶颈问题。并且，神经形态计算模仿大脑中突触的可塑性，具有自主学习的能力，即现在炙手可热的人工智能（Artificial Intelligence）。因此，神经形态计算被近年来的国际半导体技术路线图钦定为下一代信息技术的两大候选之一。1

基于纳流体的生物分子检测基于纳米孔的基因测序：在薄膜上制备纳米尺度的穿孔（nanopore），然后通过电学或力学、热学等手段，驱动DNA分子穿过纳米孔。由于纳米孔的尺寸限制，DNA分子必须以展开的链状形式泳动通过。我们再在纳米孔中制备电极或其它检测手段，测量每一个通过的碱基物理特性，由此确定碱基种类，达到测序目的。

基于纳米孔的基因测序生物芯片，有望实现1000美元成本的全基因组测序目标，是当前科技研究的热点之一。然而，该研究也面临着若干重大挑战，例如如何有效操控DNA分子通过纳米孔的运动，以实现碱基的测量。再例如，DNA链上相邻碱基的间距是0.34纳米左右，这就要求检测的电极具有极高的空间分辨率，考虑到良率的要求，这对微纳加工技术是非常高的挑战。

一方面，本课题组采用电学、热学、力学等多种手段尝试操控DNA分子运动，并采用分子动力学、多尺度物理建模等理论模型模拟纳米尺度沟槽中的流体运动、离子以及生物大分子运动。另一方面，积极尝试新的二维材料实现电学检测的单碱基分辨率。

应用1、神经形态计算。当前，神经形态计算研究大体可以分为顶层的算法设计（Algorithms）与底层的器件开发（Devices）。我们研究组致力于开发基于脉冲神经网络（Spiking Neural Network）的底层神经形态器件与顶层人工智能。

2、基于脉冲神经网络的运动模式识别。底层神经形态器件是指能够模拟突触与神经元功能的人工器件。突触仿真一项最重要的功能是基于脉冲时序的可塑性（Spike-timing dependent plasticity，缩写STDP），根据顶层算法的不同，STDP具体表现形式也不同，并不拘泥于生物学突触的表现形式。

3、基于脉冲时序的（突触）可塑性的多种表现形式。针对某项具体的人工智能（如运动模式识别、语音识别等），设计基于脉冲神经网络的算法，并采用软硬件结合的手段优化神经网络设计，并据此指导底层人工突触与神经元器件的研发、组网。2

本词条内容贡献者为:

李斌 - 副教授 - 西南大学