یافته‌های اخیر محققان شرکت پاراگراف (Paragraf) و دانشگاه کوئین مری لندن نشان می‌دهد که ممریستورهای جدید مبتنی بر گرافن می‌توانند نقش گرافن را در صنعت نیمه‌هادی‌ها گسترش دهند.
به گزارش پایگاه خبری دنیای برند به نقل از ایسنا، این نتایج گامی رو به جلو در توسعه ممریستورهای مبتنی بر گرافن برای استفاده در سیستم‌های محاسباتی آینده و هوش مصنوعی (AI) است. ممریستورهای ساخته شده توسط این گروه، با الکترودهای گرافن تک‌لایه مستقیم روی ویفرهای یاقوت کبود رشد داده شده‌اند.
این نوآوری که در مقیاس ویفر به دست آمده است، راه را برای تولید مقیاس‌پذیر ممریستورهای مبتنی بر گرافن هموار می‌کند؛ دستگاه‌هایی که برای حافظه غیر فرار و شبکه‌های عصبی مصنوعی حیاتی هستند. ممریستورها به عنوان تغییردهنده بازی در محاسبات شناخته می‌شوند و توانایی انجام محاسبات آنالوگ، ذخیره داده‌ها بدون نیاز به برق و تقلید از عملکردهای سیناپسی مغز انسان را ارائه می‌دهند. ادغام گرافن با ممریستورها می‌تواند عملکرد این دستگاه‌ها را به‌طور چشمگیری افزایش دهد، اما گنجاندن آنها در الکترونیک به روشی مقیاس‌پذیر بسیار دشوار بوده است.
دکتر ژیچائو ونگ، از محققان این پروژه می‌گوید: الکترودهای گرافنی مزایای قابل توجهی برای فناوری ممریستور به ارمغان می‌آورند. آنها نه تنها دوام ممریستورها را افزایش می‌دهند، بلکه کاربردهای جدید هیجان‌انگیزی مانند سیناپس‌های حساس به نور را امکان‌پذیر می‌کنند.
یکی از چالش‌های کلیدی در توسعه ممریستور، تخریب دستگاه است که گرافن می‌تواند با مسدود کردن مسیرهای شیمیایی که تخریب می‌شوند، به جلوگیری از آن کمک کند. گرافن می‌تواند به طور قابل توجهی طول عمر و قابلیت اطمینان این دستگاه‌ها را افزایش دهد. شفافیت قابل توجه آنها، انتقال درصد بالایی از نور، درها را به روی برنامه‌های محاسباتی پیشرفته، به‌ویژه در هوش مصنوعی و اپتوالکترونیک باز می‌کند. این تحقیق می‌تواند گامی در مسیر مقیاس‌پذیری الکترونیک گرافن باشد.
فرآیند رسوب بخار شیمیایی آلی فلزی اختصاصی پاراگراف (MOCVD) رشد گرافن تک‌لایه را مستقیم روی بسترهای هدف ممکن کرده است. این رویکرد مقیاس‌پذیر در حال حاضر در دستگاه‌های تجاری مانند حسگرهای اثر هال مبتنی بر گرافن و ترانزیستورهای اثر میدانی (GFET) استفاده می‌شود.
به نقل از ستاد نانو، جان تینگی، مدیر ارشد فناوری شرکت پاراگراف می‌گوید: این پروژه فرصتی برای گرافن برای کمک به ایجاد دستگاه‌های محاسباتی نسل بعدی است که می‌توانند منطق و ذخیره‌سازی را با روش‌های جدید ترکیب کنند.
پایان
