انقلاب در حافظه‌های دیجیتال: ممریستورها و کریستال‌های اتمی برای الکترونیک آینده

فناوری‌های روزمره ما، از تلفن‌های هوشمند گرفته تا مراکز داده هوش مصنوعی و ردیاب‌های سلامت پوشیدنی، همگی به تراشه‌های حافظه‌ای وابسته هستند که مقادیر عظیمی انرژی مصرف می‌کنند. با افزایش روزافزون وابستگی ما به دستگاه‌های دیجیتال، چالش طراحی سیستم‌های حافظه‌ای کوچک‌تر، سریع‌تر و بهینه‌تر از نظر مصرف انرژی، اهمیت فزاینده‌ای پیدا کرده است.

راه‌حلی نوین از دانشگاه آبرن: ممریستورها

پژوهش جدید فیزیکدانان دانشگاه «آبرن» (Auburn) با بررسی چگونگی متحول کردن طراحی حافظه با استفاده از کریستال‌هایی به نازکی اتم، راه‌حلی امیدبخش در این زمینه ارائه کرده است. این پژوهش بر روی «ممریستورها» متمرکز است؛ دستگاه‌های فوق‌العاده نازکی که قادرند سیگنال‌های الکتریکی گذشته را به خاطر بسپارند.

برخلاف تراشه‌های حافظه سنتی، ممریستورها می‌توانند بین حالت رسانایی الکتریسیته (مانند یک فلز) و مسدود کردن آن (مانند یک نیمه‌رسانا) تغییر حالت دهند. این ویژگی منحصربه‌فرد، آنها را به گزینه‌هایی بسیار نویدبخش برای الکترونیک آینده تبدیل می‌کند، جایی که کارایی و سرعت از اهمیت بالایی برخوردارند.

نقش کلیدی دی‌کالکوژنیدهای فلزات واسطه (TMD)

در قلب این پژوهش، «دی‌کالکوژنیدهای فلزات واسطه» (TMD) قرار دارند؛ کریستال‌هایی که می‌توانند به ضخامت تنها چند اتم ساخته شوند. آنچه TMDها را به‌ویژه جالب می‌کند، نحوه واکنش آنها به الکترودهاست؛ فلزاتی که به دستگاه متصل شده و سیگنال‌های الکتریکی را هدایت می‌کنند.

پژوهشگران نشان داده‌اند که با انتخاب دقیق این الکترودها، می‌توانند کنترل کنند که ماده چقدر راحت بین حالت‌ها تغییر می‌کند. این قابلیت به مهندسان اجازه می‌دهد تا حافظه‌هایی طراحی کنند که هم قابل اعتمادتر باشند و هم انرژی کمتری مصرف کنند.

مارسلو کورودا، دانشیار فیزیک دانشگاه آبرن و پژوهشگر ارشد این پژوهش، اظهار داشت: «این مورد، علم بنیادی با پیامدهای بسیار کاربردی است. با انتخاب الکترود مناسب، می‌توانیم این دستگاه‌ها را با اطمینان بیشتر و با مصرف انرژی کمتر تغییر دهیم. این دقیقاً همان چیزی است که برای نسل بعدی الکترونیک به آن نیاز داریم.»

پیامدهای گسترده و کاربردهای آینده

پیامدهای این نتایج بسیار گسترده است. از آنجا که ممریستورها تا حدودی شبیه نورون‌های بیولوژیکی عمل می‌کنند – با تقویت یا تضعیف اتصالات خود بر اساس فعالیت – می‌توانند به‌عنوان بلوک‌های سازنده برای محاسبات نورومورفیک عمل کنند؛ سخت‌افزاری که نحوه یادگیری مغز را تقلید می‌کند.

چنین سیستم‌هایی می‌توانند وظایف هوش مصنوعی را بسیار کارآمدتر از تراشه‌های امروزی انجام دهند. فراتر از هوش مصنوعی، ممریستورهای مبتنی بر TMD همچنین می‌توانند در دستگاه‌های انعطاف‌پذیر و پوشیدنی ادغام شوند و امکان ساخت ایمپلنت‌های پزشکی را فراهم آورند که سال‌ها با یک باتری کار کنند، یا لباس‌هایی با حسگرهای تطبیقی.

درک فیزیک تغییر حالت

گروه پژوهشی آبرن برای درک بهتر فیزیک پشت این رفتار تغییر حالت، از مدل‌سازی رایانه‌ای پیشرفته برای مطالعه چگونگی تغییر TMDها در سطح اتمی استفاده کرد. آنها کشف کردند که تعامل بین الکترودها و نقص‌های کوچک در شبکه کریستالی (به نام جای خالی) به سهولت انتقال بین فازهای عایق و فلزی کمک می‌کند. این یافته‌ها با نتایج تجربی مطابقت داشتند و نشان می‌دهند که این اثر هم واقعی و هم به‌طور بالقوه در دستگاه‌های آینده مفید است.

آینده‌ای پایدارتر و قدرتمندتر

این تحقیق طرح جدیدی برای طراحی سیستم‌های حافظه ارائه می‌دهد که نه تنها قدرتمندتر، بلکه پایدارتر نیز هستند.

کورودا افزود: «به جای مبارزه با نقص‌های این مواد، ما در حال یادگیری نحوه استفاده از آنها هستیم. چیزی که زمانی نقص به نظر می‌رسید، در واقع ممکن است کلید ساخت نسل بعدی فناوری باشد.»

نتایج این پژوهش در نشریه معتبر «مواد کاربردی و رابط‌های ACS» منتشر شده است.