经过数十年的惊人发展，随着晶体管在尺寸和速度上达到其物理极限，基于半导体的计算的进步开始放缓。

然而，对计算的需求不断增长，尤其是在人工智能中，神经网络通常具有数百万个参数。这个问题的一个解决方案是储层计算，由大阪大学领导的一组研究人员与东京大学和北海道大学的同事开发了一个基于法拉第电流电化学反应的简单系统，他们相信这将推动开发在这个领域里。

图 1 在水库计算中，信息传播就像水体表面的涟漪；因此，使用了“水库”一词。图中的水下电极是本研究中使用的实际多端电极。图片来源：Megumi Akai-Kasaya 等人。

存储库计算是计算中一个相对较新的想法。与在半导体芯片上运行的传统二进制程序不同，非线性动力系统（储层）的反应用于执行大部分计算。从量子过程到光学激光组件的各种非线性动力系统已被视为储层。在这项研究中，研究人员研究了电化学溶液的离子电导。

“我们的简单测试设备由 90 对平面电极组成，其表面滴有离子溶液，”该研究的第一作者 Megumi Akai-Kasaya 教授解释说。“然后将输入电压的响应电压用作储层的响应。” 这种电压响应是由于通过溶液的离子电流和电化学电流造成的。这种输入-输出关系既是非线性的又是可重现的，这使得它适用于油藏计算。设备上独特的多路数据采集系统控制读出节点，从而实现并行测试。

图 2 物理油藏计算和分子油藏构建。(a) 传统油藏计算的结构。(b) 我们的物理储层计算系统的概念。图片来源：Megumi Akai-Kasaya 等人，高级科学

研究人员使用该设备评估了两种液体：溶液中的多金属氧酸盐分子和去离子水。无论使用哪个样本，系统都会显示节点之间的“前馈连接”。但是，存在差异。“多金属氧酸盐溶液增加了响应电流的多样性，这使得它能够很好地预测周期性信号，”Akai-Kasaya 教授说：“但事实证明，去离子水最适合解决二阶非线性问题。” 这些解决方案的良好性能展示了它们在更复杂的任务中的潜力，例如手写字体识别、孤立词识别和其他分类任务。

图 3 (a) 多金属氧酸盐 (POM) 分子的结构。(b) 基于电化学反应的储层示意图。(c) POM 溶液（左）和去离子水（右）对正弦信号的响应及其对四重正弦（QDW）目标信号的预测性能。(d) POM 溶液和水对非线性目标信号的预测性能。图片来源：Megumi Akai-Kasaya 等人，高级科学

研究人员认为，在短时间内以最小的电化学反应进行质子或离子转移具有发展成为一种计算能力更强、成本低、能效高的计算系统的潜力。所提出的系统的简单性为开发基于电化学离子反应的计算系统开辟了令人兴奋的新机会。