맥신 나노 시트-폴리비닐알코올 나노 복합체에 기초한 멤리스터의 시냅스 거동

Abstract

20세기 컴퓨터의 발명과 발전의 시작으로 1990년대 인터넷이 발명되면서 PC와 스마트폰의 보급은 가속화되었다. 현대 시대 기술의 발전은 DRAM과 NAND Flash Memory 등과 같은 메모리 반도체 소자의 수요를 증가시키는 원인이 되었다. 메모리 반도체의 수요 증가로 많은 글로벌 반도체 업체들의 호황을 이끌었으며, 반도체 산업의 중요성은 더욱 대두되었다. 하지만 점차 발전하는 기술로 전자기기들의 소형화와 많은 양의 데이터 처리를 위해 발생하는 고 전력과 데이터 처리 시간으로 인해 기존 메모리 반도체에 대한 변화의 필요성에 관심을 가지게 되었다. 이러한 변화를 위해 차세대 메모리 반도체의 연구가 지속되고 있다. 또한, 저전력으로 구동되며 빠른 처리속도를 가지는 차세대 메모리 반도체를 이용한 ‘뉴로모픽 소자’ 연구가 활발하게 진행중이다. 이러한 차세대 메모리 반도체로는 FeRAM (Ferroelectric RAM), MRAM (Magnetic RAM), PRAM (Phase change RAM), ReRAM (Resistive RAM) 등에 대한 연구가 활발히 진행 중이다. 멤리스터 소자는 뉴로모픽 컴퓨팅 시스템의 가장 유망한 후보로 떠올랐다. 유/무기 나노복합체는 기존의 무기물 기반 소자에 비해 맞춤형 전기적 특성, 높은 유연성, 간단한 제조, 확장성 등의 장점으로 인해 멤리스터 소자의 활성층으로 큰 관심을 받고 있다. 이 연구에서는 시냅스 소자의 활성층으로 2차원 Ti3C2Tx 기반 나노복합체를 이용했다. Mxene이라 불리는 Ti3C2Tx는 2차원 전이금속 탄화물의 새로운 종류로 전기적, 광학적 특성이 뛰어나다. Ti3C2Tx는 폴리비닐알코올을 이용한 초음파 처리를 통해 작은 크기의 나노시트로 쉽게 박리됨과 동시에 나노복합체로 제작하였다. 나노복합체 기반 멤리스터 소자의 생물학적 시냅스 기능(예: 장기 강화, 장기 억제, 흥분성 시냅스 후 전류)은 전기적에 대해 구현하였다. 단층 신경망에서 장치의 시냅스 행동 변화와 학습 알고리즘 사용에 따른 장치의 인식 능력을 확인했다. |Memristive devices have been emerged the most promising candidate for the neuromorphic computing system. Organic/inorganic nanocomposites have an intense interest as an active layer in the memristive device due to their advantages of tailored electric properties, high flexibility, simple fabrication, and scalability, compared with the conventional inorganic material-based device. In this study, we demonstrate two-dimensional Ti3C2Tx -based nanocomposites as an active layer in a synaptic device. Ti3C2Tx, socalled MXene, is a novel class of 2D transition-metal carbide materials and has superior electrical and optical properties. Ti3C2Tx is easily exfoliated to nanosheets of small-size and fabricated to nanocomposites at the same time, via poly (vinyl alcohol)-assisted ultrasonication method. The biological synaptic functions of the memristive device based on nanocomposites, such as long-term potentiation, long-term depression, and the excitatory postsynaptic current, were implemented on electrical and optical stimulus. The recognition capability of our device based on changes in the device’s synaptic behavior and the use of a learning algorithm in a single-layer neural network have been investigated.