일본은 최근 산화 환원 반응을 기반으로 한 트랜지스터를 개발했습니다.
https://www.techexplorist.com/japan-developed-transistor-based-redox-reactions/
일본은 최근 산화 환원 반응을 기반으로 한 트랜지스터를 개발했습니다.
연구원들은 물리적 저장소 컴퓨팅을 사용하기 위해 산화 환원 반응을 활용하는 이온 장치를 개발합니다.
에 의해아미트 말레와르
2023년 7월 8일
우리를 따라 오세요
공유하다
"저장소"로 알려진 물리적 시스템은 신경망을 에뮬레이트하고 향상된 계산 효율성 및 속도에 대한 요구를 충족하도록 설계되었습니다. 이러한 저장소 시스템의 호환성, 성능 및 통합과 관련된 이전 문제를 극복하기 위해 일본의 연구원들은 최근 산화 환원 반응을 기반으로 향상된 저장소 상태 및 단기 메모리 기능을 갖춘 이온 게이팅 트랜지스터를 개발했습니다. 이 개발은 고성능 뉴로모픽 컴퓨팅을 위해 산화환원 기반 이온 장치를 활용할 수 있는 가능성을 열어줍니다 . 인공 지능
의 주요 혁신으로, 이미지 인식 및 물체 감지, 컴퓨팅 분야는 최근 놀라운 혁명을 목격했습니다. 데이터 기반 분야이기 때문에 크고 복잡한 데이터 세트의 효율적인 분석 및 처리는 컴퓨팅에서 가장 중요합니다. 데이터 기반 작업의 효율성과 속도를 향상시키기 위해 연구원들은 고성능 "뉴로모픽" 컴퓨팅 기술 개발을 위해 데이터에 내재된 복잡한 패턴과 관계를 인식할 수 있는 가능성을 탐색하고 있습니다. 이 최첨단 접근 방식은 병렬적이고 상호 연결된 방식으로 정보를 처리하는 뇌의 능력을 복제하는 것을 목표로 합니다. 그렇게 함으로써 데이터를 패턴 인식, 예측 및 분류와 같은 복잡한 작업에 적합한 고차원 표현으로 변환할 수 있는 노드 네트워크를 구성하려고 합니다.
신경망과 유사한 물리적 저장소는 입력 신호 또는 데이터를 수신하고 상호 작용하며, 구성 요소, 즉 뉴런과 상호 연결은 시간이 지남에 따라 동적으로 변경됩니다. 이러한 저장소 상태는 특정 지점의 물리적 시스템을 나타내며 입력 신호를 고차원 표현으로 변환하는 데 중요한 역할을 합니다. 그러나 충분히 많은 수의 저장소 상태를 달성하기 위해 물리적 저장소의 높은 차원성을 확보하는 것은 어려운 작업입니다.
이제 Advanced Intelligent Systems 저널에 발표된 연구에서 도쿄 과학 대학 (TUS)의 Tohru Higuchi 부교수가 이끄는 일본 연구원들은 산화 환원 반응 기반 이온 게이팅 저장소(redox-IGR)를 개발했습니다. 기록적인 수의 저수지 상태. 이 개발을 통해 Higuchi 박사는 TUS의 Tomoki Wada 및 Daiki Nishioka, 일본 국립 재료 과학 연구소(NIMS)의 Takashi Tsuchiya 박사 및 Kazuya Terabe 박사와 함께 다음과 같은 가능성을 제시했습니다. 고성능 뉴로모픽 컴퓨팅 기술을 현실로 구현합니다.
이온 게이팅 저장소는 게이트, 드레인 및 소스 전극으로 구성되며 이온 흐름을 제어하는 매개체 역할을 하는 전해질에 의해 분리됩니다. 게이트 전극에 전압을 가하면 소스 전극과 드레인 전극을 연결하는 채널 내에서 산화 환원 반응이 일어나 정밀하게 조절 가능한 드레인 전류가 발생합니다. 따라서 시계열 데이터 세트를 게이트 전압으로 변환하면 해당 출력 전류가 별개의 저장소 상태로 작용할 수 있습니다.
이 연구에서 연구원들은 리튬(Li+) 이온 전도성 유리 세라믹(LICGC)을 전해질로 사용했습니다. LICGC에서 Li+ 이온은 채널에 비해 더 빠르게 이동하여 두 가지 출력 전류(드레인 전류 및 추가 게이트 전류)를 생성하여 저장소 상태의 수를 효과적으로 두 배로 늘립니다. 또한, 채널과 전해질에서 이온 수송 속도가 다르기 때문에 게이트 전류에 비해 드레인 전류의 응답이 지연됩니다. 이 지연된 응답은 시스템 내에서 단기 메모리 기능을 활성화하여 저장소가 물리적 저장소의 중요한 요구 사항인 과거 입력의 정보를 유지하고 활용할 수 있도록 합니다.
이 장치를 제작하기 위해 연구원들은 0.15mm 두께의 LICGC 기판 위에 리튬 코발트 산화물(LiCoO2) 의 200nm 두께 필름을 증착했습니다 . 게이트 전극은 리튬이온/백금(Pt) 박막으로 구성하였고, 드레인 전극과 소스 전극은 Pt 박막을 사용하였다. 드레인과 소스 전극을 연결하는 채널은 100nm 두께의 텅스텐(VI) 산화물(WO3) 박막으로 구성되었습니다.
Higuchi 박사는 “LixWO3 박막에 Li+ 이온의 삽입과 탈착으로 유도되는 산화환원 반응을 활용해 신경회로와 유사한 전기적 특성을 재현하는 데 성공했다”고 설명했다.
놀라운 기능을 보여주는 이 장치는 총 40개의 저장소 상태(드레인 전류에서 20개, 게이트 전류에서 20개)를 달성했습니다. 2차 비선형 동적 방정식을 풀 때 멤리스터 및 스핀 토크 장치와 같은 다른 물리적 저장소보다 성능이 뛰어났습니다. 특히, 비선형성, 단기 메모리 기능 및 많은 수의 저장소 상태를 통해 장치는 2차 비선형 자기회귀 이동 평균(NARMA2) 작업에서 0.163의 낮은 평균 제곱 예측 오류로 예측을 수행할 수 있었습니다. 복잡한 비선형 작업을 수행하고 입력 및 출력의 과거 값을 기반으로 시계열 입력의 미래 값을 예측할 때 저수지 시스템의 성능을 평가하기 위한 벤치마크 테스트입니다.
이 개발이 실생활에 미치는 영향을 설명하면서 Higuchi 박사는 "개발된 시스템은 미래에 컴퓨터와 휴대폰을 포함한 광범위한 전자 장치에 구현될 범용 기술이 될 가능성이 있습니다."라고 결론지었습니다.