9. 酸化グラフェン量子ドットを用いたメモリスタ
2021年7月15日
mikandersen
元記事はこちら。
https://corona2inspect.net/2021/07/15/memristores-basados-en-puntos-cuanticos-de-oxido-de-grafeno/
参考
Yan, X.; Zhang, L.; Chen, H.; Li, X.; Wang, J.; Liu, Q.; Zhou, P. (2018). グラフェン酸化物量子ドットを用いた人工シナプス学習用漸進的伝導調整型メモリスタ＝グラフェン酸化物量子ドットを用いた人工シナプス学習用漸進的伝導調整型メモリスタ。Advanced Functional Materials, 28(40), 1803728. https://doi.org/10.1002/adfm.201803728.
はじめに
Yan, X.; Zhang, L.; Chen, H.; Li, X.; Wang, J.; Liu, Q.; Zhou, P. 2018）の記事「グラフェン酸化物量子ドットを用いたメモリスタ」の分析を始める前に、「メモリスタ」の概念を知ることが不可欠である。メモリスタは、「メモリ」と「抵抗器」を語源とする電気部品で、1971年にマサチューセッツ工科大学の電気・コンピューター工学者レオン・オン・チュア博士によって初めて考案されたものである。彼のアプローチによれば、メモリスタは電荷と磁束を関連付けることができ、メモリを持つ抵抗器と定義される。この概念は、後にRichard Stanley Williams（HP Labs研究員）によって、有用な物理モデルがナノスケールで提示されたときに実証された（Strukov, D.B.; Snider, G.S.; Stewart, D.R.; Williams, R.S. 2008）。実際、分子や原子スケールでもイオンや電子の輸送は可能だからだ。メモリスタの用途は非常に多岐にわたり、例えば、ハードディスクの容量拡大、使用電力の削減、読み書きの高速化などが可能になると考えられる（Di Ventra, M.; Pershin, Y.V. 2013）。
図1 抵抗器、コンデンサ、インダクタの集合体の中のメムリスタ イラストは（Strukov, D.B.; Snider, G.S.; Stewart, D.R.; Williams, R.S. 2009）より引用しました。
一方、ミミスターはプログラミングロジックへの応用が期待されている（Snider, G.S. 2007｜Mao,J.Y.、Zhou,L.、Zhu,X.、Zhou,Y.、Han, S.T. 2019｜Xia,L.、 Li,B.、 Tang,T.、 Gu,P.、 Chen,P.Y.、 Yu,S.、 Yang,H.）。2017）、信号処理と電気刺激（Mouttet, B.L. 2007）、さらには「neuristor」という言葉が生まれたStanley Williams自身の論文（Pickett, M.D.; Medeiros-Ribeiro, G.; Stanley-Williams, R. 2013）で示された神経ネットワークにおいてでさえ、です。彼らの研究では、このコンセプトをナノスケールの金属酸化物半導体で検証していることは特筆に価する。Williamsの論文が発表された当時、酸化グラフェンはまだ実用化されていなかった。それでも彼は、「シリコントランジスタの有無にかかわらず、極めて高密度な集積が可能な材料と構造を用いて、信号利得のピークと様々な周期的ピークを持つ重要なオール・オア・ナッシングの神経機能を示す」ことを実証しているのである。
事実
メモリスター」の概念を知った上で、このエントリに提案された論文（Yan, X.; Zhang, L.; Chen, H.; Li, X.; Wang, J.; Liu, Q.; Zhou, P. 2018）の分析に進みました。この論文の要旨では、「電子的な人工シナプスとしてのメミリスタが、ニューロモルフィック・コンピューティングでますます注目を集めている」と、技術の現状を明確に述べています。学習』と『忘却』の過程をエミュレートするにはメモリスタのコンダクタンスを段階的に双方向に調整する必要があり、これは最先端の人工知能の課題である」と述べている。
この論文では、2値論理パターンを解釈するために、0.6ボルトの電圧パルスでメムリスタ信号を変調するコンダクタンス実験を行っている。彼らが指摘するように、「双方向の進行性伝導調節は、スパイクタイミング依存の可塑性やペアパルス促進など、いくつかの可塑性シナプスを模倣している」のである。本研究の目的は、「ニューロモルフィックチップのさらなる進化に向け、双方向チューニング、低消費電力、高速スイッチングなど、魅力的な機能を実現するメムリスタの手法を提供すること」である。これは、メモリスタやニューロリスタがニューロモルフィック・チップ開発の基礎であり、ニューロモルフィック工学の分野に属することを証明するものですが、ナノメートルスケールで、酸化グラフェン超伝導体を使用しています。
図2 グラフェン酸化物メムリスタにおけるパルスの微視的特性評価 (Yan, X.; Zhang, L.; Chen, H.; Li, X.; Wang, J.; Liu, Q.; Zhou, P. 2018)
本研究では、提案したモデルが実現可能であり、「非線形伝達や学習経験行動など、生体システムの多くの機能に類似している」と結論付けています。その結果、「このデバイスは、低消費電力で超高速のスイッチング速度を持つニューラル・コンピューティング・システムへの将来の応用に有望な選択肢を示すものである」と結論づけています。実は、この論文の著者の中には、大量の情報を記憶するためのメモリスタの品質向上が期待される量子ドットの自己組織化ネットワークの研究にも参加している人がいます（Yan, X.; Pei, Y.; Chen, H.; Zhao, J.; Zhou, Z.; Wang, H.; Zhou, P. 2019）．
酸化グラフェン量子ドットは、人体への毒性という観点から研究されている（Wang, D., Zhu, L., Chen, JF and Dai, L. 2015｜Li, M.; Gu, M.M.; Tian, X.; Xiao, B.B.; Lu, S.; Zhu, W.; Shang, Z.F. 2018｜Xu, L.; Zhao, J.; Wang, Z. 2019）、細胞内にDNA損傷を生成し遺伝毒性応答を誘発すると結論づけている。これらの研究は、メモリスター・ニューリスターを人体に埋め込むことの方向性を明確に示しています。そうでなければ、毒性試験の意味がない。
メモリスターと酸化グラフェンに沿った他の類似の研究、すなわち（Prasad-Sahu, D.; Jetty, P.; Narayana-Jammalamadaka, S.2020｜Sahu, D.P.; Jetty, P.; Jammalamadaka, S.N. ）を引用または言及することが不可欠である。2021年）、中でもa) intitle: "memristor" intitle: "graphene oxide" b) "graphene" "quantum dots" "memristor" and c) intitle: "graphene" intitle: "quantum dots" ("memristor" OR "transistor" OR "neuristor") で検索可能なもので、以下のクエリーで見つかると思います。
書誌情報
1. ディ・ヴェントラ，M.; パーシン，Y.V. (2013). memristive, memcapacitive and meminductive systemsの物理的特性について＝On the physical properties of memristive, memcapacitive and meminductive systems. Nanotechnology, 24(25), 255201. https://doi.org/10.1088/0957-4484/24/25/255201
2. Li, M.; Gu, M.M.; Tian, X.; Xiao, B.B.; Lu, S.; Zhu, W.; Shang, ZF (2018). ヒドロキシル化グラフェン量子ドットは、ヒト食道上皮細胞においてDNA損傷を誘発し、微小管構造を破壊する。Toxicological Sciences, 164(1), p. 339-352。https://doi.org/10.1093/toxsci/kfy090。
3. Mao, JY; Zhou, L.; Zhu, X.; Zhou, Y.; Han, ST (2019). 未来のコンピューティングのためのフォトニックメモリスタ：展望。Advanced Optical Materials, 7(22), 1900766. https://doi.org/10.1002/adom.201900766
4. ムテット、B．[特許 US7302513B2］．プログラマブル・クロスバー・シグナル・プロセッサ。https://patents.google.com/patent/US7302513B2/en
5. Pickett, M.D.; Medeiros-Ribeiro, G.; Stanley-Williams, R. (2013). モットメモリスターで構築されたスケーラブルな神経回路。Nature materials, 12(2), p. 114-117。https://doi.org/10.1038/nmat3510。
6. プラサド＝サフ、D.；ジェティ、P.；ナラヤナ＝ジャムラマダカ、S.（2020）。グラフェン酸化物ベースのシナプス型メモリスタデバイスによるニューロモルフィックコンピューティングの実現。arXiv e-prints。https://arxiv.org/abs/2012.13556。
7. Sahu, DP; Jetty, P.; Jammalamadaka, S.N. (2021). ニューロモルフィックコンピューティングのためのグラフェンオキサイドベースのシナプス型メムリスタデバイス。Nanotechnology, 32(15), 155701. https://doi.org/10.1088/1361-6528/abd978
8. スナイダー、G.S. (2007). [特許US7203789B2］。再構成可能な抵抗クロスバーによるコンピューティングのためのアーキテクチャと方法。https://patents.google.com/patent/US7203789B2/en。
9. Strukov, DB; Snider, G.S.; Stewart, DR; Williams, RS (2009). Erratum: The missing memristor found. Nature, 459(7250), p. 1154-1154。https://doi.org/10.1038/nature06932。
10. Wang, D., Zhu, L., Chen, JF, and Dai, L. (2015). グラフェン量子ドットは細胞内でDNA損傷を引き起こすことができるか＝Can graphene quantum dots cause DNA damage in cells? Nanoscale, 7(21), p. 9894-9901。
https://doi.org/10.1039/C5NR01734C。
11. Xia, L.; Li, B.; Tang, T.; Gu, P.; Chen, P.Y.; Yu, S.; Yang, H. (2017). MNSIM: (ミミスタベース・ニューロモーフィック・コンピューティング・システム用シミュレーション・プラットフォーム). IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 37(5), pp.1009-1022（集積回路とシステムのコンピュータ支援設計に関するIEEE論文誌）.
https://doi.org/10.1109/TCAD.2017.2729466。
12. Xu, L.; Zhao, J.; Wang, Z. (2019). グラフェン量子ドットに対するマクロファージの遺伝毒性反応と損傷回復。Science of The Total Environment, 664, p. 536-545。https://doi.org/10.1016/j.scitotenv.2019.01.356。
13. Yan, X.; Pei, Y.; Chen, H.; Zhao, J.; Zhou, Z.; Wang, H.; Zhou, P. (2019). メモリスターの抵抗性スイッチングと人工シナプスの性能アップのための自己組織化ネットワーク型PbS分布量子ドット。Advanced Materials, 31(7), 1805284。https://doi.org/10.1002/adma.201805284。
14. Yan, X.; Zhang, L.; Chen, H.; Li, X.; Wang, J.; Liu, Q.; Zhou, P. (2018). 人工シナプス学習のための漸進的な伝導調整を行うグラフェン酸化物量子ドットベースメモリスタ。Advanced Functional Materials, 28(40), 1803728. https://doi.org/10.1002/adfm.201803728.
関連記事サイト
当記事収録マガジン
この記事が気に入ったらサポートをしてみませんか？