26.12.2019 06:46
    Поделиться

    Сибирские ученые создали принципиально новый материал для электроники

    В Институте физики полупроводников им. А. В. Ржанова СО РАН разработали перспективный материал для гибких элементов памяти. Его можно использовать как при создании гаджетов, обладающих эластичностью (смарт-часов, фитнес-браслетов), так и для моделирования функционирования мозга. В отличие от привычной электроники, гибкая память, сконструированная в новосибирском Академгородке, состоит не из транзисторов, а из мемристоров.

    Новый электронный компонент - мемристор (что означает "резистор, обладающий памятью") - впервые был создан в 2008 году. Его главное преимущество в том, что он может "запоминать" записанную информацию. Мемристор резко изменяет свое сопротивление от состояния "открыт" до "заперт" при смене полярности приложенного напряжения. Но если подать на него относительно низкое напряжение (так называемое "считывающее"), то можно узнать информацию, записанную ранее, не изменив при этом состояние мемристора. Это и позволяет говорить об электронном "запоминании", что делает его в чем-то схожим с нейронами мозга.

    При этом время переключения мемристора измеряется в наносекундах, что на три порядка быстрее, чем у элементов современных флешек. Почему же новинка до сих пор не вытеснила флеш-память? Дело в том, что пока нет технологии, позволяющей изготавливать чипы с большим количество мемристоров. Новосибирским физикам удалось существенно продвинуться в решении этой задачи.

    - Для создания гибкого мемристорного материала хорошо подходит фторированный графен. Однако его недостатком является небольшая разница токов - один-два порядка - для открытого и закрытого состояния мемристора. Чтобы решить проблему, мы использовали добавки, позволяющие увеличить эту разницу. Лучший результат показали композитные пленки, состоящие из фторированного графена и наночастиц оксида ванадия - разница между токами в открытом и закрытом состояниях достигала девяти порядков, - поясняет младший научный сотрудник лаборатории физики и технологии трехмерных наноструктур ИФП СО РАН Артем Иванов.

    Такая огромная разница токов в открытом и закрытом состояниях позволяет создать структуру как минимум из нескольких тысяч мемристоров. А перезаписывать в ней информацию можно несколько миллионов раз. Это рекордные на сегодняшний день параметры для гибкой электроники. И этого уже достаточно, например, для производства популярных гаджетов.

    В Институте физики полупроводников уже отработана технология изготовления гибкой памяти. Мемристоры из композитного материала печатают на 2D-принтере - специальные чернила наносят на полимерную пленку.

    - В нашей лаборатории разработана надежная и удобная технология получения фторированного графена. А 2D-печать не требует дорогостоящего оборудования и больших финансовых вложений. Телефоны сейчас стремятся сделать гибкими, как и другие гаджеты - фитнес-браслеты, носимые сенсорные системы для мониторинга состояния здоровья и тому подобное. Память для таких гаджетов можно напечатать, - отмечает ведущий научный сотрудник лаборатории физики и технологии трехмерных наноструктур ИФП СО РАН Ирина Антонова.

    Сейчас новосибирские физики работают над тем, чтобы сделать мемристор как можно меньше и достичь максимальной плотности электронных компонентов в чипе.

    Но у мемристора есть и другое свойство: переключения этого устройства напоминают функционирование синапсов - контактов между нервными клетками живых организмов. Возможно, именно мемристоры позволят, наконец, смоделировать работу мозга.

    Сейчас ученые всего мира разрабатывают на их основе нейроморфные чипы. Задача - ускорить обучение нейронных сетей для распознавания изображений.

    Кстати

    Сегодня искусственный интеллект может решать лишь узкоспециализированные задачи - алгоритм, натренированный на распознавание собак, не сможет различать кошек. При изменении условий задачи нейронную сеть нужно обучать заново с нуля - это сложно и дорого. А нейроморфные чипы будут сохранять информацию о том, как сеть обучалась ранее, и использовать навыки приобретенные, например, при распознавании собак, для того чтобы различать кошек. Это сделает искусственный интеллект более гибким, способным решать множество задач.

    Поделиться