长期以来，半导体产业一直在寻找硅芯片的替代方案。科学家希望用分子来构建电子器件，以突破硅基技术的物理极限。但此设想面临两大难题：第一，分子在真实工作环境中并非孤立存在，而是处在相互作用的网络中，电子传输与结构变化难以准确预测；第二，许多现有类脑计算方案更多停留在对学习过程的“功能模仿”，缺少能够在物理层面直接实现学习的材料与器件基础。印度科学理工学院纳米科学与工程中心的研究团队围绕这两点提出了新的解法。他们开发了17种特定的钌配合物材料，使分子器件具备更强的适应性与多功能特征。钌配合物由中心金属钌原子与周围配体结合形成，研究人员通过调控配体和离子环境，让同一器件按需在数字与模拟行为之间切换，可分别充当存储单元、逻辑门、选择器乃至电子突触等不同角色。 这种“单器件多角色”的能力在固态电子学中并不常见。论文第一作者帕拉维·高尔指出，该器件不仅能存储与处理信息，还表现出“学习”和“遗忘”特性，这是传统芯片难以具备的能力。为更好地理解并调控这种复杂的分子行为，研究团队建立了基于多体物理与量子化学的传输框架，得以追踪电子在分子膜中的传输路径、单分子的氧化还原过程，以及反离子的迁移规律。 研究的关键突破在于把“存算一体”落实到材料与器件层面。由于分子材料同时承担记忆与计算功能，学习规则可以直接写入材料本身，为神经形态硬件提供了新的实现路线。相比之下，传统架构需要在存储器与处理器之间频繁搬运数据，带来显著能耗；而分子器件将两者合并，有望降低能量开销。 目前，研究团队正推进将这些分子材料集成到标准硅芯片上工作。若后续通过工程化与产业化验证，该技术可能推动高能效人工智能硬件的发展，使计算系统在物理机制上更接近大脑的信息处理方式。这也预示着芯片设计将不再只围绕速度展开，而会更强调能效与智能化能力的提升。
这项研究展示了分子材料在类脑计算中的潜力，也提醒我们，重要突破往往出现在学科交叉的前沿。当量子物理与神经科学相互启发、材料工程与信息技术相互融合，对“智能如何产生”的理解正在被拓展。面向未来竞争，如何在持续投入基础研究的同时推进可落地的应用开发，将直接影响各国在下一代计算技术上的领先程度。