تصویربرداری کوانتومی از الکترونیک سیناپسی برای محاسبات نورومورفیک

بر اساس مطالعه ای که در Science Advances منتشر شده است، محققان دانشگاه علم و فناوری چین یک ساختار شبکه پویا برای محاسبات نورومورفیک با استفاده از رشته های رسانای کنترل شده با لیزر ایجاد کرده اند. محاسبات نورومورفیک زمینه ای از تحقیقات است که هدف آن ایجاد سیستم های کامپیوتری کارآمد و هوشمند با الهام از مغز انسان است.

محققان برای مطالعه خود دی اکسید وانادیوم (VO2)، یک ماده Mott را انتخاب کردند. مواد Mott دارای خواص انتقالی منحصر به فردی هستند، از جمله تغییر سریع در هدایت الکتریکی و انتقال بین حالت های عایق و فلزی. VO2 در یک دمای خاص تحت یک انتقال فلز-عایق قرار می‌گیرد که آن را برای کاربردهای مختلف مناسب می‌کند. این رفتار انتقالی VO2 از شکل پذیری نورون های بیولوژیکی تقلید می کند و به آن اجازه می دهد رسانایی خود را تطبیق داده و تغییر دهد.

توانایی VO2 برای جابجایی بین حالت های رسانا و غیر رسانا نیز آن را به یک کلید الکتریکی کارآمد تبدیل می کند. جریان الکتریسیته و نور آن را می توان بر اساس دما کنترل کرد و آن را برای کاربردهایی مانند پنجره های هوشمند که بهره وری انرژی را افزایش می دهند، ایده آل ساخت.

در این مطالعه، محققان یک شبکه پویا با استفاده از رشته‌های رسانا در دستگاه‌های VO2، مشابه سیناپس‌های بیولوژیکی، ساختند. آنها از لیزرهای متمرکز برای دستکاری محل رشته های رسانا استفاده کردند که به عنوان مسیری برای سیگنال های الکتریکی عمل می کرد. حسگرهای کوانتومی مبتنی بر مراکز فضای خالی نیتروژن الماس (NV) برای تشخیص تغییرات در خواص الکتریکی VO2 و به دست آوردن بینشی در مورد رفتار آن استفاده شدند.

محققان دریافتند که سیناپس‌های مصنوعی به کمک  توانایی تقویت و انطباق ارتباطات خود،  تقویت طولانی‌مدت و کوتاه‌مدت در طول زمان نشان می‌دهند. هدف این تیم ساخت شبکه‌های عصبی پیچیده‌تر با استفاده از الکترودهای چندلایه و میدان‌های نوری برای اتصال سیناپسی در تحقیقات آینده است.

این مطالعه فرصت‌هایی را برای توسعه ساختارهای شبکه پویا باز می‌کند که سیستم‌های عصبی بیولوژیکی را با تکیه بر مسیرهای هدایت به راحتی کنترل می‌کنند.استفاده از مواد Mott در محاسبات نورومورفیک نویدبخش پیشرفت قابلیت‌های هوش مصنوعی است.

منبع

Ce Feng et al, Quantum imaging of the reconfigurable VO₂ synaptic electronics for neuromorphic computing, Science Advances (2023). DOI: 10.1126/sciadv.adg9376