blog

Jun 06, 2023

Sinapse artificial de alta sensibilidade e ampla faixa de resposta baseada em poliimida com pontos quânticos de grafeno incorporados

Relatórios Científicos volume 13,

Scientific Reports volume 13, Número do artigo: 8194 (2023) Citar este artigo

354 acessos

1 Altmétrica

Detalhes das métricas

As sinapses eletrônicas artificiais são comumente usadas para simular sinapses biológicas para realizar várias funções de aprendizado, consideradas uma das tecnologias-chave na próxima geração de computação neurológica. Este trabalho usou uma técnica simples de revestimento por rotação para fabricar estrutura de memristor de pontos quânticos de poliimida (PI):grafeno (GQDs). Como resultado, os dispositivos exibem uma corrente de supressão pós-sináptica exponencialmente decaída notavelmente estável ao longo do tempo, conforme interpretado no fenômeno de plasticidade dependente do tempo de pico. Além disso, com o aumento do sinal elétrico aplicado ao longo do tempo, a condutância da sinapse elétrica muda gradativamente, e a sinapse eletrônica também apresenta plasticidade dependente da amplitude e frequência do pulso aplicado. Em particular, os dispositivos com a estrutura de Ag/PI:GQDs/ITO preparados neste estudo podem produzir uma resposta estável à estimulação de sinais elétricos entre milivolts a volts, mostrando não apenas alta sensibilidade, mas também uma ampla gama de "sentimentos" , o que faz com que as sinapses eletrônicas dêem um passo à frente para emular as sinapses biológicas. Enquanto isso, os mecanismos de condução eletrônica do dispositivo também são estudados e expostos em detalhes. As descobertas deste trabalho estabelecem uma base para o desenvolvimento de modelagem neuromórfica semelhante ao cérebro em inteligência artificial.

Um memristor é considerado o quarto elemento básico do circuito depois de um resistor, indutor e capacitor. Em 1971, Chua1 propôs pela primeira vez o conceito de memristor baseado no princípio da simetria, então Strukov2et al. confirmou isso por meio de experimentos em 2008. A pesquisa do memristor fornece uma rota viável para o desenvolvimento de uma nova arquitetura de computador que integra armazenamento e processamento de informações, que rompe o gargalo da arquitetura tradicional de von Neumann. Memristors apresentam diversas vantagens, como não volatilidade, alta velocidade, baixo consumo de energia, estrutura simples e fácil integração3,4. Como tal, mostrou amplas perspectivas de aplicação em uma nova geração de memória não volátil de alta densidade, inteligência artificial neuromórfica, operações lógicas de alta velocidade e comunicações seguras5,6,7. Até o momento, as funções das sinapses biológicas que são simulados por memristores compreendem plasticidade dependente de tempo de pico (STDP), potencialização/depressão de longo prazo (LTP/LTD), potencialização/depressão de curto prazo (STP/STD) e facilitação de pulso emparelhado (PPF). Memristors que podem simular essas funções são freqüentemente chamados de sinapses eletrônicas (e-sinapses). Espera-se que as E-sinapses imitem as sinapses biológicas de forma abrangente, o que é crucial para realizar o processamento de informações neuromórficas semelhantes ao cérebro e a computação de inteligência artificial (IA) no nível do componente8,9.

Embora algumas conquistas promissoras tenham sido relatadas, o estudo atual dos memristores ainda encontrou alguns problemas, normalmente instabilidade do dispositivo, distribuição discreta de parâmetros e resistência mecânica e durabilidade insuficientes para dispositivos flexíveis vestíveis, resultando em uma lacuna nos padrões de uso comercial10,11. Normalmente, o processo de preparação adotado para melhorar o desempenho do dispositivo aumenta a complexidade do processo e é inadequado para fabricação em grande escala. Também é importante notar que a alta sensibilidade e o amplo campo receptivo das sinapses biológicas aos microestímulos externos permitem que as sinapses biológicas acelerem o processamento de informações mais do que os computadores em termos de segurança individual, processamento de informações e redução do consumo de energia. No entanto, as e-sinapses relatadas na literatura anterior podem responder apenas a uma gama limitada de sinais elétricos, especialmente aqueles que podem reagir à microestimulação são raramente relatados12. Portanto, para aplicações de computação neural e IA, tornou-se preferível usar materiais com altas propriedades mecânicas e estabilidade química para obter memristores flexíveis com desempenho estável, alta sensibilidade e uma faixa de resposta abrangente por meio de processos simples e fáceis de operar13,14 .