随着全球数据生成的持续增长，对革命性内存计算方法和高效机器学习解决方案的需求不断增加。尽管最近在机器学习设备的电学和电光模拟方面取得了进展，但全光非热功能仍然具有挑战性，单波长操作仍然难以实现。在这里，本研究报告了一种光学和单色的神经形态信号处理方法，用于大脑启发功能，消除了对电脉冲的需要。通过利用光电铁电衬底与石墨烯传感器界面内的光伏电荷产生和极化，成功地实现了多能级突触增强-抑制循环。此外，所演示的低功耗原型装置能够准确地再现脑组织的信号谱，但响应速度要快2个数量级以上。报告的性质将引发基于光铁电结构的全光和低功耗人工神经形态的发展。

 
图1. 设备初始属性。(a)电气实验设计原理图;(b)转移CVD石墨烯层在(001)取向Pb[(Mg_1/3Nb_2/3)_0.70Ti_0.30]O₃晶体上的拉曼光谱。(c)衬底晶体的FE回路;(d)用FE回路原位测量的石墨烯层的相关电阻滞后。附图(d)说明了相对于狄拉克点的残留掺杂水平。

 
图2. 人工光学神经形态功能。(a)具有类似脑神经元反应的光激发原理图(上表)。(b)石墨烯电阻对不同影响的紫外光脉冲的响应。(c)石墨烯电阻与相关源栅电流的光强依赖性。(d)石墨烯电阻的全光单波长增强和抑制。

 
图3. 光生载流子动力学模型。初始极化（a）被光载流子（b）屏蔽。如果光强度高于阈值，则发生复合，并且PV电流稳定（c）。当光线熄灭时，高于和低于阈值的激发都会导致不同的静电状态和相关的石墨烯掺杂水平，这反映在石墨烯电阻的降低或增加中（d）。

 
图4. 神经形态信号处理。四个基本函数：STD（a）、STP（b）、LTD（c）和LTP（d）。图（e）说明了可逆和不可逆切换的强度条件。

 
图5. 石墨烯电阻信号的光学处理。使用相同的UV脉冲进行增强，而通过365、530和940nm（a）进行抑制。530和940nm波长的光学增强的失效由PV电流的缺乏来解释（b）。

 
图6.剩余FE状态相关的光学响应。相同强度的356nm光激发对不同FE状态产生不同的响应(见图)，这是由于FE中PV效应的不对称性。
 
       相关研究成果由斯特拉斯堡材料物理和化学研究所Bohdan Kundys等人2023年发表在ACS Applied Materials & Interfaces (链接: https://doi.org/10.1021/acsami.3c10010)上。原文：Single Wavelength Operating Neuromorphic Device Based on a Graphene–Ferroelectric Transistor

转自《石墨烯研究》公众号

扫码了解上周最受欢迎的文章