• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Construcción de fototransistores ultrasensibles y ultrafinos y sinapsis fotónicas utilizando superestructuras híbridas

    Superestructura G-PQD. (A) Esquema que muestra el crecimiento de PQD en grafeno para formar la superestructura G-PQD y las aplicaciones propuestas. (B) Imagen TEM de PQD cultivados en una sola capa de hojas de grafeno. (C) Imagen TEM de los PQD distribuidos en la superestructura G-PQD. (D) Imagen TEM de alta resolución (HRTEM) de los PQD cultivados en grafeno. El recuadro muestra la imagen FFT correspondiente. (E) Imagen HRTEM de cambios inducidos por estrés en la red de grafeno debido al crecimiento de PQD (la flecha roja indica distorsión). (F) Espectros XRD de PQD prístinos (rojo) y G-PQD (azul) cultivados en silicio [recuadro:región ampliada; las unidades siguen siendo las mismas, 3,3 °, 4,4 °, 6,5 °, 9.0 °, y 15,4 ° correspondiente a (011), (101), (201), (141), y (100) planos de cristal, respectivamente]. a.u., unidades arbitrarias. (G) Espectros Raman de grafeno prístino (negro), Los PQD caen fundidos en grafeno (gris), y PQD cultivados en grafeno (azul). CCD, dispositivo de carga acoplada. Crédito:Science Advances, doi:10.1126 / sciadv.aay5225

    Los puntos cuánticos de perovskita de haluro orgánico-inorgánico (PQD) forman una clase atractiva de materiales para aplicaciones optoelectrónicas. Sus propiedades de transporte de carga son, sin embargo, inferior en comparación con materiales como el grafeno. En cambio, el grafeno contiene una eficiencia de generación de carga que es demasiado baja para aplicaciones en optoelectrónica. En un nuevo informe, Basudev Pradhan y un equipo de investigación del Centro de Tecnología de Nanociencia, y los departamentos de Óptica y Fotónica, Ingeniería en Ciencias de los Materiales, Física y Química en la Universidad de Florida Central, NOSOTROS., Desarrolló un transistor de fotón ultrafino y sinapsis fotónicas utilizando superestructuras de grafeno-PQD (punto cuántico de grafeno-perovskita; G-PQD). Para preparar las superestructuras, cultivaron PQD directamente a partir de una red de grafeno. Los fototransistores hechos de G-QPD exhibieron una excelente capacidad de respuesta y detección específica. Los efectos de memoria asistida por luz de las superestructuras permitieron un comportamiento sináptico fotónico para la computación neuromórfica, que el equipo demostró a través de aplicaciones de reconocimiento facial con la ayuda del aprendizaje automático. Pradhan y col. Esperamos que la superestructura G-PQD refuerce nuevas direcciones para desarrollar dispositivos optoelectrónicos altamente efectivos.

    El grafeno se ha convertido en un material de ensueño para la electrónica y la optoelectrónica debido a su amplio ancho de banda espectral. excelentes propiedades de transporte de portadores con alta movilidad, estabilidad excepcional y flexibilidad excepcional. Los científicos de materiales han desarrollado muchos compuestos y dispositivos para aplicaciones en la recolección de energía, almacenamiento, fotodetectores y transistores. Sin embargo, una sola capa de grafeno solo puede absorber el 2,3 por ciento de la luz visible incidente, impidiendo críticamente su uso en dispositivos optoelectrónicos y fotónicos. A diferencia de, Los PQD orgánicos-inorgánicos se han convertido en materiales atractivos para aplicaciones en optoelectrónica debido a sus características únicas. aunque su transporte de carga sigue siendo inferior en comparación con el grafeno.

    Crecimiento de PQD a partir de una red de grafeno

    Pradhan y col. exploró la fuerte eficiencia de fotogeneración de los PQD de bromuro de metilamonio y plomo en este trabajo mediante el cultivo de PQD a partir de la red de grafeno de una sola capa mediante un proceso mediado por defectos. Dado que los PQD pueden absorber luz y generar portadores de carga, el fundamento ayudó a diseñar las superestructuras híbridas. El equipo implementó las superestructuras delgadas en una geometría de fototransistor para producir una fotorreactividad de 1.4 × 10 8 AW -1 y una detectividad específica de 4,72 x 10 15 Jones a 430 nm; que fue, con mucho, la mejor capacidad de respuesta y detección registrada en dispositivos similares hasta la fecha.

    Mecanismo de crecimiento de PQD en grafeno de una sola capa. Crédito:Science Advances, doi:10.1126 / sciadv.aay5225

    El trabajo es muy prometedor para desarrollar materiales optoelectrónicos extremadamente eficientes para comunicaciones de alta velocidad, sintiendo cámaras de ultrasensibilidad, imágenes y pantallas de alta resolución. El comportamiento de las superestructuras de grafeno-PQD (G-PQD) en forma de sinapsis fotónica también es fundamental para el reconocimiento de patrones. Los resultados respaldan el desarrollo de una unidad de hardware para arquitectura neuromórfica que imita el cerebro humano, para una variedad de aplicaciones interesantes. Pradhan y col. utilizó reprecipitación asistida por ligando (LARP) para producir PQD con un rendimiento cuántico de fotoluminiscencia muy alto, y controló el tamaño y la morfología de los productos PQD. El equipo inició el crecimiento de PQD directamente en los sitios activos de las monocapas de grafeno para formar las superestructuras. Durante el proceso, agregaron un tolueno antidisolvente sobre una capa de grafeno humedecida con precursores de perovskita para iniciar la siembra, y embriones de perovskita formados en la hoja de grafeno necesaria para la formación de cristales de PQD.

    Espectros UV-vis y PL. (A) Absorción ultravioleta-visible (UV-vis) (rojo) y espectros PL (azul) de la película de superestructura G-PQD. (B) Perfiles de desintegración PL de películas PQD (rojo) y G-PQD (verde) .Crédito:Science Advances, doi:10.1126 / sciadv.aay5225

    Desarrollando altamente sensible, fototransistores ultrafinos

    El equipo analizó el material híbrido recién sintetizado (PQD de grafeno) utilizando microscopía electrónica de transmisión (TEM) para verificar la unión entre las PQD y las capas de grafeno. Notaron la presencia de dos G-PQD diferentes que absorbían la longitud de onda visible a 434 nm y 451 nm, indicando su potencial para formar fototransistores de alto rendimiento que detectan iluminación azul. Pradhan y col. probaron las propiedades fotofísicas del material en relación con la dinámica del estado excitado de la superestructura G-PQD utilizando el recuento de fotones individuales correlacionados en el tiempo (TCSPC) y observaron un tiempo medio de disminución de la fluorescencia de 749 ns. La superestructura mostró una sensibilidad mejorada y una fotocorriente mejorada en comparación con los fotorresistores reportados anteriormente. El dispositivo también podría actuar como un interruptor activado por luz bajo iluminación de luz blanca y la fotocorriente aumentaba rápidamente en un tiempo de respuesta de 0,45 segundos después de encender la luz. Los tiempos de respuesta más largos se debieron a factores más complejos.

    Simulación COMSOL y fotorrespuesta transitoria. (A) Esquema de simulación COMSOL de PQD de tamaño 3 nm cultivados en una película de grafeno. (B) Fotocorriente simulada versus potencia de entrada. (C) Fotorrespuesta transitoria en condiciones de encendido y apagado de iluminación ligera. (D) Respuesta de fotocorriente normalizada a la iluminación encendida y apagada. Crédito:Science Advances, doi:10.1126 / sciadv.aay5225

    Aplicaciones de las sinapsis fotónicas neuromórficas durante el reconocimiento facial.

    Desde la arquitectura tradicional de von Neumann o la arquitectura de Princeton; una arquitectura de computadora desarrollada por el matemático y físico John von Neumann consume tiempo y energía para el transporte de datos en la actualidad. Los límites existentes de rendimiento y escalabilidad entre la memoria y el procesador se conocen popularmente como el cuello de botella de von Neumann. El dispositivo había causado importantes inconvenientes en las aplicaciones centradas en datos de reconocimiento de imágenes en tiempo real, clasificación de datos y procesamiento del lenguaje natural. Por lo tanto, la computación neuromórfica es una plataforma emergente superior que puede superar a la arquitectura de von Neumann. En la configuración, la sinapsis normalmente puede actuar como un canal de comunicación entre dos neuronas.

    En este caso, la superestructura G-PQD actuó como una sinapsis fotónica artificial; donde la señal presináptica se basó en los estímulos de luz externos en forma de pulsos ópticos y la señal postsináptica fue la corriente obtenida a través del canal G-PQD para mantener fija la fuente de drenaje y el voltaje de la puerta. La información óptica incrustada, Las capacidades de procesamiento de detección y retención de los dispositivos sinápticos G-PQD formaron un candidato potencial para la memoria visual humana en los campos del reconocimiento de patrones. Pradhan y col. construyó una red neuronal de picos para realizar aprendizaje automático sin supervisión y reconocimiento facial utilizando Python. El equipo utilizó cuatro retratos de personas para entrenar la red neuronal y demostró que un mayor uso de las neuronas de salida junto con un tiempo de entrenamiento más largo podría lograr tasas más altas de reconocimiento facial.

    Rendimiento de sinapsis fotónica y reconocimiento facial. (A) Anatomía de dos neuronas humanas interconectadas a través de una sinapsis (cuadro rojo). (B) Representación esquemática de sinapsis biológicas. (C) Característica transitoria del dispositivo (VD =0.5 V y VG =10 V) que muestra el cambio en la conductancia debido a un solo pulso de luz con un ancho de pulso de 30 s para variar la intensidad de la luz. (D) Índice PPF del dispositivo (VD =0,5 V y VG =10 V) debido a la variación del tiempo de apagado entre dos pulsos de luz consecutivos que tienen un tiempo de encendido de 5 s. (E) Característica transitoria del dispositivo (VD =0.5 V y VG =10 V) que muestra el cambio en la conductancia debido al número variable de pulsos de luz que tienen un tiempo de encendido y apagado de 5 y 5 s, respectivamente. (F) Retención del dispositivo potenciado a largo plazo (VD =0,5 V y VG =10 V) durante 3 × 103 s después de la aplicación de 20 pulsos ópticos (tiempo de encendido y apagado de 5 y 5 s, respectivamente). (G) Plasticidad sináptica no volátil del dispositivo (VG =10 V) que muestra LTP por tren de pulsos ópticos (tiempo de encendido y apagado de 5 y 5 s, respectivamente) a VD =0.5 V y LTD por un tren de pulsos eléctricos (−0.5 V, tiempo de encendido y apagado de 1 y 1 s, respectivamente) en VD. (H) Característica transitoria dependiente de la puerta del dispositivo (VD =0.5 V) después de la aplicación de 20 pulsos ópticos (tiempo de encendido y apagado de 5 y 5 s, respectivamente). (I), Estructura de red neuronal para reconocimiento facial. Crédito de la foto:Sreekanth Varma y Basudev Pradhan, UCF. (J) Imágenes reales (arriba) para el entrenamiento y los pesos sinápticos de ciertas neuronas de salida correspondientes (abajo). Crédito de la foto (de izquierda a derecha):Sreekanth Varma y Basudev Pradhan, UCF; Avra Kundu y Basudev Pradhan, UCF; Basudev Pradhan, UCF; y Basudev Pradhan, UCF. Crédito:Science Advances, doi:10.1126 / sciadv.aay5225

    De este modo, Basudev Pradhan y sus colegas desarrollaron superestructuras extremadamente delgadas basadas en materiales híbridos de PQD cultivados a partir de una red de grafeno utilizando una técnica de crecimiento de cristales mediada por defectos. Obtuvieron una transferencia de carga altamente mejorada debido a las nubes combinadas de electrones π de PQD y grafeno. Los dispositivos resultantes exhibieron altos rendimientos para fototransistores y sinapsis fotónicas, que el equipo validó aún más mediante simulaciones. El equipo tiene la intención de extender su enfoque a otros materiales 2-D, incluidos los dicalcogenuros de metales de transición y otras heteroestructuras. El trabajo abrirá la puerta a una nueva clase de materiales de superestructura de alto rendimiento adecuados para múltiples aplicaciones electrónicas y optoelectrónicas. beneficioso para el reconocimiento facial y la computación neuromórfica.

    © 2020 Science X Network




    © Ciencia https://es.scienceaq.com