Nyomtatóbarát változatönálló kísérletező készség, angol nyelvtudás, Python programozási nyelv ismerete
A rezisztív kapcsoló memóriák (memrisztorok) olyan eszközök, amelyek ellenállása programozható, azaz ellenállásuk tetszőlegesen változtatható az eszköz elektródáira kapcsolt elektromos jelekkel [1]. A memrisztorok ellenállása ezáltal információt hordoz, ráadásul az eszközök nem-illékony memóriaként hasznosíthatóak: az ellenállás kis jelszinten mérhető annak megváltozása nélkül. A rezisztív kapcsolás során az elektródák között található, kezdetben szigetelő vagy félvezető anyagban lokális anyagszerkezet-változás megy végbe, és ennek eredményeképp megváltozik az eszköz ellenállása. Az ellenállás változását rendszerint egy önszerveződő folyamatban kialakuló, fémes vezetési tulajdonságú filamentum okozza, kapcsolatot létesítve az eszköz elektródái között.
A rezisztív kapcsoló memóriák közé tartozó fázisváltó memóriákban az ellenállásváltozás az aktív közeg kristályos/amorf állapotához köthető [2]. A sztochasztikus működésű SiOx alapú rezisztív kapcsoló memóriák gazdag kapcsolási időskáláinak [3] részletes feltárása elősegíti a rezisztív kapcsolás hátterében álló mikroszkopikus fizikai folyamatok megértését. A szakdolgozatot készítő hallgató feladata grafén/SiOx/grafén fázisváltó memóriák kísérleti vizsgálata, ami magában foglalja az eszközök sztochasztikus viselkedésének tanulmányozására irányuló mérések tervezését, megvalósítását, illetve az adatfeldolgozást és az eredmények értelmezését. Ezen túlmenően célunk olyan probabilisztikus elvű számítási algoritmus keresése, ami hasznosítja a memrisztorok eredendően sztochasztikus természetét [4].
Irodalom:
[1] J. J. Yang et al. Memristive devices for computing. Nature Nanotechnology 8, 13-24 (2013).
[2] M. Le Gallo, A. Sebastian. An overview of phase-change memory device physics. J. Phys. D: Appl. Phys. 53, 213002 (2020).
[3] L. Pósa et al. Multiple Physical Time Scales and Dead Time Rule in Few-Nanometers Sized Graphene-SiOx-Graphene Memristors. Nano Letters 17, 11, 6783-6789 (2017).
[4] F. Cai et al. Power-efficient combinatorial optimization using intrinsic noise in memristor Hopfield neural networks. Nature Electronics 3, 409-418 (2020).