A hagyományos elektronikai alkalmazásokban a zajra, azaz az mérendő jel várható értéktől való pillanatnyi eltérésére, jellemzően zavaró tényezőként tekintünk és az eszköz zajának elnyomására törekszünk. Azonban ezen túlmenően a zaj tekinthető egy speciális jelnek is, mely széles frekvenciasávban tartalmaz információkat az adott fizikai rendszerről és vizsgálatával a rendszer számos olyan tulajdonságát feltárhatjuk, mely csupán az átlagértékek mérésekor rejtve marad [1]. A zajjelenségek vizsgálatán keresztül például képet kaphatunk az eszköz vezetési mechanizmusairól, illetve magukról a zajforrásokról is. Előbbi a fizikai jelentőségén túl az egyes alkalmazások szempontjából is kulcsfontosságú, míg a zaj forrásának ismerete a zaj hangolásának (pl. elnyomás) fontos feltétele.

Az eszköz viselkedését alapvetően meghatározó mechanizmusok alapos megértése különösen fontos olyan újszerű technológiák esetén, mint az ún. rezisztív kapcsoló memóriák. Ezek az eszközök akár a jelenlegi FLASH alapú memóriák új alternatívájaként is szerepelhetnek, de igazán izgalmas tulajdonságuk egyrészt, hogy alkalmasak az ún. in-memory computing megvalósításásra, másrészt használhatók hardveresen megvalósított neurális hálózatokban szinapszisként [2]. Előbbi esetben fontos követelmény a kapcsolási mechanizmusok megértése, valamint az eszköz zajának minél jobb elnyomása. Míg a szinapszisként való alkalmazás esetében a memrisztív rendszer teljeskörű alapos megismerésén túl a zaj hangolásának lehetősége is érdekes lehet az alkalmazás szempontjából [3].

A szakdolgozó feladata a rezisztív kapcsoló memóriákon, különösképpen Ta2O5, végzett zajmérésekbe való bekapcsolódás és a zaj frekvencia-, ellenállás- és feszültségfüggésének vizsgálata a memóriák ki és bekapcsolt állapotában, valamint a kapcsolási küszöbfeszültséghez közeli tartományban.

[1] Balogh, Z., Mezei, G., Pósa, L., Sánta, B., Magyarkuti, A., Halbritter, A., 1/f noise spectroscopy and noise tailoring of nanoelectronic devices, Nano Futures 5, 042002 (2021)

[2] Mehonic, A., Sebastian, A., Rajendran, B., Simeone, O., Vasilaki, E. and Kenyon, A.J., Memristors—From In-Memory Computing, Deep Learning Acceleration, and Spiking Neural Networks to the Future of Neuromorphic and Bio-Inspired Computing, Adv. Intell. Syst., 2: 2000085 (2020)

[3] Cai, F., Kumar, S., Van Vaerenbergh, T. et al. Power-efficient combinatorial optimization using intrinsic noise in memristor Hopfield neural networks, Nature Electronics 3, 409–418 (2020)