transistor sináptico

Investigadores de la Universidad Northwestern, Boston College y el MIT desarrollaron un transistor sináptico que simultáneamente procesa y almacena información similar al cerebro humano. El equipo dijo que el transistor va más allá de simples tareas de aprendizaje automático para categorizar datos y es capaz de realizar aprendizaje asociativo.

El nuevo dispositivo es estable a temperatura ambiente. También funciona a velocidades rápidas, es energéticamente eficiente y retiene la información almacenada cuando se corta la energía.

Los investigadores combinaron dos tipos diferentes de materiales atómicamente delgados: grafeno bicapa y nitruro de boro hexagonal. Cuando se apilaron y se retorcieron intencionalmente, los materiales formaron un patrón muaré. Al rotar una capa con respecto a la otra, los investigadores pudieron lograr diferentes propiedades electrónicas en cada capa de grafeno, aunque estén separadas solo por dimensiones de escala atómica. Con la elección correcta del giro, los investigadores aprovecharon la física muaré para lograr una funcionalidad neuromórfica a temperatura ambiente.

"Con la torsión como nuevo parámetro de diseño, el número de permutaciones es enorme", dijo Mark C. Hersam, profesor de ciencia e ingeniería de materiales, medicina y química en Northwestern. "El grafeno y el nitruro de boro hexagonal son muy similares estructuralmente, pero lo suficientemente diferentes como para obtener efectos muaré excepcionalmente fuertes".

Para probar el transistor, el equipo lo entrenó para reconocer patrones similares, pero no idénticos. Primero, los investigadores mostraron al dispositivo un patrón: 000 (tres ceros seguidos). Luego, le pidieron a la IA que identificara patrones similares, como 111 o 101. "Si la entrenamos para detectar 000 y luego le damos 111 y 101, sabrá que 111 es más similar a 000 que a 101", explicó Hersam. “000 y 111 no son exactamente iguales, pero ambos tienen tres dígitos seguidos. Reconocer que la similitud es una forma de cognición de nivel superior conocida como aprendizaje asociativo”.

En los experimentos, el nuevo transistor sináptico reconoció con éxito patrones similares, mostrando su memoria asociativa. También pudo demostrar aprendizaje asociativo cuando se le dieron patrones incompletos. [1]

Interruptores totalmente ópticos

Investigadores del Laboratorio Nacional Argonne y la Universidad Purdue construyeron un interruptor totalmente óptico de dos materiales diferentes, cada uno con un tiempo de conmutación diferente. Un material, el óxido de zinc dopado con aluminio, tiene un tiempo de conmutación en el rango de los picosegundos, mientras que el otro material, el nitruro de titanio plasmónico, tiene un tiempo de conmutación más de cien veces más lento, en el rango de los nanosegundos.

"Las iteraciones anteriores de interruptores ópticos tenían tiempos de conmutación fijos que estaban 'integrados' en el dispositivo durante su fabricación", dijo Soham Saha, becario postdoctoral en Argonne, quien agregó que la diferencia en los tiempos de conmutación entre los dos componentes metálicos significa que el conmutador puede ser más flexible y usarse para transmitir datos rápidamente y al mismo tiempo almacenarlos de manera efectiva. ​“La naturaleza bimetálica del interruptor significa que se puede utilizar para múltiples propósitos dependiendo de la longitud de onda de la luz que se utilice. Cuando desea aplicaciones más lentas, como almacenamiento de memoria, cambia con un material; para aplicaciones más rápidas, cambia con el otro. Esta capacidad es nueva”.

En la configuración experimental, los materiales del interruptor funcionan como absorbentes de luz o reflectores, dependiendo de la longitud de onda de operación. Cuando se encienden mediante un haz de luz, cambian de estado. [2]

Impacto térmico de la integración electrónica/fotónica.

Investigadores de KU Leuven e imec investigaron el impacto térmico de integración 3D de chips electrónicos sobre chips fotónicos. El chip fotónico constaba de una serie de moduladores en anillo, que son sensibles a la temperatura y pueden requerir estabilización térmica activa con un calentador integrado en entornos exigentes.

El equipo midió experimentalmente la eficiencia del calentador de los moduladores en anillo antes y después de la unión del chip invertido del EIC al PIC. Encontraron una pérdida relativa del -43.3% en eficiencia, un impacto significativo. “Además, las simulaciones de elementos finitos en 3D atribuyeron esta pérdida a la propagación del calor en el EIC. Esta dispersión de calor debe evitarse, ya que en el caso ideal todo el calor generado en el calentador integrado se encuentra cerca del dispositivo fotónico. La diafonía térmica entre los dispositivos fotónicos también aumentó hasta +44.4% después de unir el EIC, lo que complica el control térmico individual”, señalaron.

Los investigadores también descubrieron que al aumentar el espacio entre los µbumps y el dispositivo fotónico, y al disminuir el ancho de la línea de interconexión, se puede minimizar la penalización térmica de la integración 3D. [3]

Referencias

[1] Yan, X., Zheng, Z., Sangwan, V.K. et al. Transistor sináptico muaré con funcionalidad neuromórfica a temperatura ambiente. Naturaleza 624, 551–556 (2023). https://doi.org/10.1038/s41586-023-06791-1

[2] Saha, S., Diroll, BT, Ozlu, MG. et al. Ingeniería de la dinámica temporal de la conmutación totalmente óptica con materiales rápidos y lentos. Nat Comuna 14, 5877 (2023). https://doi.org/10.1038/s41467-023-41377-5

[3] David Coenen, Minkyu Kim, Herman Oprins, Yoojin Ban, Dimitrios Velenis, Joris Van Campenhout, Ingrid De Wolf, “Modelado térmico de transceptores fotónicos-electrónicos de silicio basados ​​en anillos, integrados tridimensionales híbridos”, J. Optical Microsystems 4(1) 011004 (6 de diciembre de 2023) https://doi.org/10.1117/1.JOM.4.1.011004

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://semiengineering.com/research-bits-jan-2/