隨著全球數據生成的持續增長,對革命性內存計算方法和高效機器學習解決方案的需求不斷增加。盡管最近在機器學習設備的電學和電光模擬方面取得了進展,但全光非熱功能仍然具有挑戰性,單波長操作仍然難以實現。在這里,本研究報告了一種光學和單色的神經形態信號處理方法,用于大腦啟發功能,消除了對電脈沖的需要。通過利用光電鐵電襯底與石墨烯傳感器界面內的光伏電荷產生和極化,成功地實現了多能級突觸增強-抑制循環。此外,所演示的低功耗原型裝置能夠準確地再現腦組織的信號譜,但響應速度要快2個數量級以上。報告的性質將引發基于光鐵電結構的全光和低功耗人工神經形態的發展。

圖1. 設備初始屬性。(a)電氣實驗設計原理圖;(b)轉移CVD石墨烯層在(001)取向Pb[(Mg
1/3Nb
2/3)
0.70Ti
0.30]O
3晶體上的拉曼光譜。(c)襯底晶體的FE回路;(d)用FE回路原位測量的石墨烯層的相關電阻滯后。附圖(d)說明了相對于狄拉克點的殘留摻雜水平。

圖2. 人工光學神經形態功能。(a)具有類似腦神經元反應的光激發原理圖(上表)。(b)石墨烯電阻對不同影響的紫外光脈沖的響應。(c)石墨烯電阻與相關源柵電流的光強依賴性。(d)石墨烯電阻的全光單波長增強和抑制。

圖3. 光生載流子動力學模型。初始極化(a)被光載流子(b)屏蔽。如果光強度高于閾值,則發生復合,并且PV電流穩定(c)。當光線熄滅時,高于和低于閾值的激發都會導致不同的靜電狀態和相關的石墨烯摻雜水平,這反映在石墨烯電阻的降低或增加中(d)。

圖4. 神經形態信號處理。四個基本函數:STD(a)、STP(b)、LTD(c)和LTP(d)。圖(e)說明了可逆和不可逆切換的強度條件。

圖5. 石墨烯電阻信號的光學處理。使用相同的UV脈沖進行增強,而通過365、530和940nm(a)進行抑制。530和940nm波長的光學增強的失效由PV電流的缺乏來解釋(b)。

圖6.剩余FE狀態相關的光學響應。相同強度的356nm光激發對不同FE狀態產生不同的響應(見圖),這是由于FE中PV效應的不對稱性。
相關研究成果由斯特拉斯堡材料物理和化學研究所Bohdan Kundys等人2023年發表在ACS Applied Materials & Interfaces (鏈接: https://doi.org/10.1021/acsami.3c10010)上。原文:Single Wavelength Operating Neuromorphic Device Based on a Graphene–Ferroelectric Transistor
轉自《石墨烯研究》公眾號
掃碼了解上周最受歡迎的文章