Neuromorphic Devices

memory & tft

Neuromorphic devices

Neuromorphic computing systems have gained popularity in both industry and academia owing to their functional similarity with the human brain for information processing operations.

Neuromorphic devices and systems have attracted great attention as next-generation computing due to their high efficiency in processing complex data. So far, they have been demonstrated using both machine-learning software and complementary metal-oxide-semiconductor-based hardware. The emerging paradigm of neuromorphic computing is inspired by neural networks of the brain and based on energy-efficient hardware for information processing. To create devices that mimic what occurs in our brains’ neurons and synapses, the scientific community must overcome a fundamental molecular engineering challenge: how to design devices that exhibit controllable and energy-efficient transition between different resistive states triggered by incoming stimuli.

However, these approaches have drawbacks in power consumption and learning speed. An energy efficient neuromorphic computing system/device requires hardware that can mimic the functions of brain. Also, the conventional von Neumann computing requires a large amount of data transmission between central processing units (CPUs) and main memory unit. These problems may become serious when processing complex information. Therefore, various nanomaterials have been introduced for the development of neuromorphic devices. To overcome this issues, we have studied realization and properties of promising TMOs and 2D materials for the application of neuromorphic computing devices that can emulate the functions of neurons and spike timing-dependent plasticity that is used for unsupervised learning and implement the function of synapses.

뉴로모픽 소자와 시스템은 복잡한 데이터를 처리함에 있어 높은 효율로 인하여 차세대 기술로 크게 주목받고 있다. 현재까지 뉴로모픽 기술은CMOS 하드웨어와 머신 러닝 소프트웨어를 모두 사용하여 시연되었으며, 이러한 기술의 새로운 패러다임은 뇌의 신경망에서 영감을 받아 정보 처리를 위한 에너지 효율 하드웨어를 기반으로 한다. 우리 뇌의 뉴런과 시냅스에서 발생하는 것을 모방하기 위한 장치를 만들기 위해 근본적인 molecular 기술을 극복해야 하며 이를 개선하기 위한 방법은 들어오는 자극에 의해 촉발 된 다양한 저항 상태 간에 제어 가능하며 에너지 효율 전환을 나타내는 장치를 만들어 내는 것이다.

하지만, 이러한 접근 방식은 전력 소비 및 학습 속도에 대한 단점이 있다. 에너지 효율적인 뉴로모픽 시스템 및 장치에는 뇌의 기능을 모방할 수 있는 하드웨어가 요구된다. 또한, 기존의 폰 노이만 기술은 중앙 처리 장치(CPU)와 메인 메모리 장치 간에 많은 양의 데이터 전송이 필요하다. 이러한 문제는 복잡한 정보를 처리 할 때 심각해질 수 있다. 따라서, 뉴로모픽 소자의 개발을 위해 다양한 나노 물질이 도입되고있다. 이러한 문제를 극복하기 위해, 우리는 신경 세포 기능을 모방할 수 있는 신경성 컴퓨터 장치의 응용을 위한 유망한 TMO의 실현과 속성을 연구하고, 비지도 학습에 사용되는 타이밍 의존 가소성을 스파이크 하며 시냅스의 기능 구현하였다.









ACS Applied Materials & Interfaces, 13.4: 5216-5227 (2021)
IF 8.758; JCR 7.504%
"Ti3C2 Based MXene Oxide Nanosheets for Resistive Memory and Synaptic Learning Applications"
NPG Asia Materials volume 13, Article number: 16 (2021)
IF 8.131; JCR 12.58%
"Facile synthesis of nickel cobaltite quasi-hexagonal nanosheets for multilevel resistive switching and synaptic learning applications"
Journal of Materials Science & Technology volume 78, 81-91 (2020)
IF 6.155; JCR 4.43%
"Multilevel resistive switching and synaptic plasticity of nanoparticulated cobaltite oxide memristive device"

Neuromorphic Devices 

Ti3C2-based MXene oxide nanosheets based ReRAM
Neuromorphic device