可扩展的基于纳米粒子的计算架构有几个限制，可能会严重影响使用纳米粒子通过分子计算方案来操纵和处理信息。在冯·诺依曼架构(VNA) 是单个芯片中多个任意分子逻辑操作的基础，无需重新布线设备。在一份新报告中，韩国首尔国立大学的 Sungi Kim 和一组科学家在脂质芯片上开发了基于纳米颗粒的 VNA (NVNA)。脂质芯片上的纳米颗粒充当硬件——具有存储器、处理器和输出单元。该团队使用 DNA 链作为软件来提供分子指令来对逻辑电路进行编程。基于纳米粒子的冯诺依曼架构 (NVNA) 允许一组纳米粒子形成一个前馈神经网络，称为感知器(一种人工神经网络)。系统可实现功能完备的布尔逻辑运算提供可编程、可重置和可扩展的计算架构和电路板，以形成纳米粒子神经网络并做出逻辑决策。这项工作现在发表在Science Advances 上。

现代计算和分子计算中的冯诺依曼架构

过去的电子计算机只能运行一个固定的程序，研究人员必须对这些机器进行物理重新布线和重组流程来重新编程。冯·诺依曼架构 (VNA) 由约翰·冯·诺依曼( John von Neumann) 于 1945 年开发，后来被艾伦·图灵 (Alan Turing)在他的自动计算引擎提案中引用，详细介绍了执行一组指令的存储程序计算机。系统通过从内存中顺序获取存储的数据和指令来生成输出来处理信息。VNA 强大的可编程性适用于现代计算机和量子计算。

具有纳米结构的分子计算可以支持多种技术，例如纳米粒子逻辑门、单分子生物传感器和逻辑传感，尽管此类系统与早期电子计算机非常相似，但仅限于单一程序。由于研究人员将软件(功能)和纳米结构硬件合并为一个单元，因此出现了限制。为了克服这一挑战，它们可以包括脂质双层来分隔分子和纳米粒子。金等人。之前已经开发了一个在脂质双层上具有纳米颗粒的计算平台，以形成纳米生物计算脂质纳米片(LNT)。在这项工作中，他们设计并实现了一个基于纳米粒子的冯诺依曼架构 (NVNA) 平台，用于脂质纳米片 (LNT) 上的分子计算。

基于纳米粒子的冯诺依曼架构 (NVNA) 的硬件和软件

该团队创建了一个存储程序设备，通过具有纳米粒子的冯诺依曼架构实现分子计算，同时包括存储分子信息的内存概念。他们将软件和硬件分开，以实现脂质纳米片 (LNT) 中信息处理的可扩展性，以执行多项计算任务，而无需每次都开发新设备。为了组成 LNT 硬件芯片，他们使用了三种类型的 DNA 修饰纳米粒子，包括纳米存储器 (NM)、纳米漂浮物 (NF) 和纳米报告器 (NR)。纳米存储器和纳米报告分子是固定的纳米粒子，分别用作分子信息存储设备和输出单元。他们将可移动的纳米粒子称为纳米漂浮物，它可以与固定的粒子自由扩散和碰撞。硫醇化 DNA寡核苷酸。然后为了数据存储，他们将不同浓度的 NF、NM 和 NR 纳米颗粒加载到脂质纳米片 (LNT) 上。为了开发该软件，Kim 等人。在解决方案中使用了一组指令DNA，逻辑运算遵循三个步骤。

该团队首先通过DNA 杂交将分子信息存储在纳米记忆 (NM) 单元上。例如，单个 NM 粒子可以形成一位存储设备，其中 0 或 1 表示双稳态。在第二步中，他们作为指令 DNA 的组合执行逻辑运算，以基于纳米记忆状态启动具有不同动力学的竞争性纳米粒子 - 纳米粒子组装。为了将计算机芯片重置为初始状态，Kim 等人。添加了重置溶液(低盐缓冲液和高温)，将芯片上的输入和教学 DNA 碱基配对分离。

编程策略

金等人。使用了两种名为 Trap 和 Report DNA 的指令 DNA 来为纳米漂浮物提供指令。他们专门设计了 Trap DNA 来结合纳米漂浮物以形成逻辑决策纳米粒子。与报告相比，该团队优化了指令 DNA 的浓度和每个纳米颗粒的密度，以诱导快速捕获动力学。竞争性诱捕和报告行为导致结合动力学表达为if-then-else 语句，允许他们先搜索 If 条件是否满足 TRUE 或 FALSE 操作，然后再操作“then”或“else”语句。科学家们通过在 NVNA-LNT 芯片中混合陷阱 DNA 和报告 DNA 来实现逻辑操作。在这个过程中，他们注意到了一些逻辑上禁止的状态的组合，他们进一步优化了这些状态。

使用 NNN 对两输入布尔逻辑门进行编程并演示复位功能。(A) AND 逻辑门的单层感知器。四种输入组合的纳米粒子网络用表示纳米粒子组装反应的实线和表示没有反应或抑制反应的虚线表示。输出“1”(蓝框)由 NF-NR 报告(蓝点)到 NF-NM 陷印(绿点)超过 0.2(绿框)表示。(B) 通过在每次执行后重置(黄色框)，在单个芯片中多次执行逻辑门。(C) 使用权重编码执行 INH 和 NOR 逻辑门。(D) 使用具有两种类型 NF 的多层感知器执行 OR、NAND、XOR 和 XNOR 逻辑门。输出“1”由介于 0.2 和 0 之间的报告比率表示。

具有重置和可重用性的纳米粒子神经网络

该团队使用感知器(一种用于二元分类器的人工神经网络)表示通过指令 DNA 连接的多个纳米粒子之间的反应网络。他们扩展了编程策略，在 LNT 平台上构建了纳米粒子神经网络 (NNN)，并为两位输入实现了任意布尔逻辑电路。然后他们计算了功能上完成布尔逻辑运算符所需的纳米粒子节点数在神经网络上。硬件依赖于脂质芯片上共价修饰的纳米结构进行多次执行。他们通过在更换设置中的缓冲溶液后对所有 DNA 组件进行去杂交来测试系统的重置功能的可重用性。重置允许单独的硫醇化 DNA 保留在纳米粒子上，从而返回到下一个功能的初始状态。

决策过程和扇出逻辑门

金等人。然后用顺序决策树探索系统。决策树类似于流程图，可在纳米粒子神经网络中生成“是”或“否”的最终决定。由于它们的纳米级几何特征和光学特性，脂质纳米片的等离子体纳米粒子核心对于计算至关重要。随着纳米粒子节点的数量和随之而来的逻辑电路复杂性的增加，由于多层感知器的平行反应，反应动力学保持相同。该团队使用强大的可编程性和设置的复位功能来顺序操作两位比较器。

通过这种方式，Sungi Kim 及其同事在脂质纳米片 (LNT) 芯片上开发了一种基于纳米颗粒的冯诺依曼架构 (NVNA) 的纳米颗粒感知器，并使用顺序决策树探索了该系统。该设置包括一个可重用的重置功能。基于纳米粒子的计算架构和纳米粒子神经网络 (NNN) 为分子计算和指令 DNA 提供了平台。该过程允许可扩展性，并为在深度学习、神经接口和神经形态计算中使用纳米粒子来管理和分析复杂的生物分子信息铺平了道路。这种计算架构可以嵌入到微流体中来模拟和询问复杂的生命系统开发智能药物筛选系统。