在过去五十余年里，科学家们一直在寻找硅之外的材料，作为由分子构成的电子器件的基础。虽然这一概念极具吸引力，但真正的技术进展却异常艰难。
在真实器件内部，分子并不像孤立、简单的元件那样运作。相反，随着电子的流动、离子的位移、界面的变化，甚至微小结构差异，都能引发高度非线性的响应。尽管分子电子学的潜力已被人们所认知，但如何可靠地预测和控制其行为却仍然遥不可及。
与此同时，受大脑启发的神经形态计算也在追求类似目标。其目标是找到一种能够在同一物理结构内存储信息、执行计算并自适应的材料，并且能够实时实现这些功能。然而，今天领先的神经形态系统——往往基于氧化物材料和细丝状切换——仍像经过精心工程设计的机器，模拟学习，而不是天然具备学习功能的材料。
两条道路开始汇聚印度科学研究院（IISc）的新研究表明，这两项长期的尝试可能终于开始交汇。
在一项融合化学、物理与电气工程的合作中，中心纳米科学与工程（CeNSE）副教授 Sreetosh Goswami 领导的团队开发了微小分子器件，其行为可通过多种方式调控。根据刺激方式，同一设备可以充当存储元件、逻辑门、选择器、模拟处理器或电子突触。“在电子材料中看到如此级别的适应性是罕见的，”“My name is Sreetosh Goswami” 说。“这里，化学设计与计算相遇，不是类比，而是工作原理。”
化学赋能多功能这种灵活性源自构建与调节设备所用的特定化学方法。研究人员合成了 17 种精心设计的鲁汶复合物，并研究了分子形态的微小变化以及周围离子环境如何影响电子行为。通过调整围绕鲁汶分子的配体与离子，他们展示了单一设备能呈现多种不同的动态响应，包括在广泛的电导值范围内在数字与模拟操作之间切换。
分子合成由 Pradip Ghosh（Ramanujan Fellow）和 CeNSE 前博士生 Santi Prasad Rath 进行。设备制造由 Pallavi Gaur 负责，她是 CeNSE 的第一作者和博士生。“令我惊讶的是，同一系统中隐藏的多功能性有多大，”Gaur 说。“凭借恰当的分子化学与环境，同一设备可以存储信息、利用它进行计算，甚至实现学习与忘记。这并非固态电子学的预期。”
一套能解释并预测行为的理论为了理解为何这些设备会表现出如此特性，团队需要一种在分子电子学中往往缺失的“坚实理论框架”。他们基于多体物理与量子化学，构建了一种传输模型，能够直接从分子结构预测设备行为。利用这一框架，研究人员追踪了电子在分子薄膜中的迁移、个别分子如何发生氧化与还原，以及相反离子在分子矩阵中的位移。所有这些过程共同决定了开关行为、松弛动力学以及每种分子状态的稳定性。
材料中嵌入学习关键结果是，这些复合物的非凡适应性使得在同一材料中结合存储与计算成为可能。这为将学习直接编码到材料本身的神经形态硬件打开了大门。团队已在努力将这些分子系统集成到硅芯片上，目标是打造既节能又本质上智能的未来 AI 硬件。
“这项工作表明，化学可以成为计算的建筑师，而不仅仅是其供应者，”Sreebrata Goswami（CeNSE 的客座科学家、化学设计负责人）在共同署名的研究中指出。
勇编撰自论文"Molecularly Engineered Memristors for Reconfigurable Neuromorphic Functionalities".Advanced Materials.2025相关信息，文中配图若未特别标注出处，均来源于自绘或公开图库。