Szilícium-dioxid fázisváltó memóriák működési mechanizmusának feltárása

Nyomtatóbarát változatNyomtatóbarát változat
Cím angolul: 
Exploring the mechanism of action of silicon dioxide phase change memories
Típus: 
MSc diplomamunka téma - nanotechnológia és anyagtudomány
MSc diplomamunka téma - kutatófizikus
Félév: 
2021/22/2.
Témavezető: 
Név: 
Dr. Halbritter András Ernő
Email cím: 
halbritter.andras@ttk.bme.hu
Intézet/Tanszék/Cégnév: 
Fizika Tanszék
Beosztás: 
egyetemi tanár
Hallgató: 
Név: 
Fehérvári János Gergő
Képzés: 
Fizikus MSc - nanotechnológia és anyagtudomány
Elvárások: 

Kísérletező készség, programozási ismeretek, angol nyelvtudás, jó eredmények szilárdtestfizika tárgyakból

Leírás: 

A rezisztív kapcsoló memóriák és azon belül is a fázisváltó memóriák a közeljövőben újszerű számítási architekturák alapvető építőelemeivé válhatnak. Az egyes memóriaegységek, mint mesterséges szinapszisok ellenállásállapotának analóg hangolhatóságát kihasználva már jelenleg is rendelkezésre állnak fázisváltó memóriákból felépített nagyméretű mesterséges neurális hálózatok, melyekkel komplex mintázatfelismerési problémák is megoldhatók [1,2]. Kutatócsoportunk régebb óta foglalkozik grafén elektródákkal kontaktált SiO2 alapú fázisváltó memóriák vizsgálatával, melyek működése komplex időbeli dinamikát mutat [3]. Mind a kikapcsolási, mind a bekapcsolási idő exponenciálisan változik a kapcsolást kiváltó feszültségimpulzus amplitúdójával, és egy további időskála, az ún. holtidő is alapvető jelentőségű a működés szempontjából. A diplomamunkázó feladata olyan speciális mérések tervezése és elvégzése, melyekkel a ki- és bekapcsolási idő, illetve a holtidő alatt lezajló fizikai folyamatok mélyebben megérthetők. Ezen kívül a kapcsolási karakterisztikák részletes feltárásával a diplomamunkázó SiO2 fázisváltó memóriákból felépített nagyobb memóriahálózatok, például probabilisztikus optimalizálást megvalósító sémák realisztikus modellezésére alkalmas szimulációkat készít.

 

[1] Abu Sebastian, Manuel Le Gallo and Evangelos Eleftherio, Computational phase-change memory: beyond von Neumann computing (topical review), J. Phys. D: Appl. Phys. 52 443002 (2019)

[2] Vinay Joshi, Manuel Le Gallo, Simon Haefeli, Irem Boybat, S. R. Nandakumar, Christophe Piveteau, Martino Dazzi, Bipin Rajendran, Abu Sebastian*, Evangelos Eleftheriou, Accurate deep neural network inference using computational phase-change memory, Nat Commun 11, 2473 (2020)

[3] L. Posa, M. Abbassi, P. Makk, B. Santa, C. Nef, M. Csontos, M. Calame, and A. Halbritter. Multiple physical timescales and dead time rule in few-nm sized graphene-SiOx-graphene memristors. Nano Letters, 17, 6783 (2017)

 

 

Titkosítas: 
Hozzáférés nincs korlátozva