Les points quantiques de pérovskite aux halogénures organiques et inorganiques (PQD) forment une classe attrayante de matériaux pour les applications optoélectroniques. Leurs propriétés de transport de charge sont, cependant, inférieur par rapport à des matériaux tels que le graphène. Inversement, le graphène contient une efficacité de génération de charge trop faible pour des applications en optoélectronique. Dans un nouveau rapport, Basudev Pradhan et une équipe de recherche du Nanoscience Technology Center, et les départements d'Optique et de Photonique, Génie des sciences des matériaux, Physique et Chimie à l'Université de Floride centrale, NOUS., Développement d'un transistor à photons ultrafins et de synapses photoniques à l'aide de superstructures graphène-PQD (graphene-perovskite quantum dot; G-PQD). Pour préparer les superstructures, ils ont cultivé des PQD directement à partir d'un réseau de graphène. Les phototransistors constitués de G-QPD présentaient une excellente réactivité et une détectivité spécifique. Les effets de mémoire assistés par la lumière des superstructures ont permis un comportement synaptique photonique pour le calcul neuromorphique, ce que l'équipe a démontré à travers des applications de reconnaissance faciale avec l'aide de l'apprentissage automatique. Pradhan et al. attendez-vous à ce que la superstructure G-PQD soutienne de nouvelles directions pour développer des dispositifs optoélectroniques très efficaces.

Le graphène est devenu un matériau de rêve pour l'électronique et l'optoélectronique en raison de sa large bande passante spectrale, excellentes propriétés de transport de porteurs avec une grande mobilité, stabilité exceptionnelle et flexibilité exceptionnelle. Les scientifiques des matériaux ont développé de nombreux composites et dispositifs pour des applications dans la récupération d'énergie, espace de rangement, photodétecteurs et transistors. Cependant, une seule couche de graphène ne peut absorber que 2,3% de la lumière visible incidente, entravant de manière critique leur utilisation dans les dispositifs optoélectroniques et photoniques. En revanche, Les PQD organiques-inorganiques sont devenus des matériaux attrayants pour les applications en optoélectronique en raison de leurs caractéristiques uniques, bien que leur transport de charge reste inférieur par rapport au graphène.

Cultiver des PQD à partir d'un réseau de graphène

Pradhan et al. a exploré la forte efficacité de photogénération des PQD au bromure de plomb de méthylammonium dans ce travail en cultivant des PQD à partir du réseau de graphène monocouche à l'aide d'un processus à médiation par défaut. Étant donné que les PQD peuvent absorber la lumière et générer des porteurs de charge, la justification a aidé à concevoir les superstructures hybrides. L'équipe a mis en œuvre les superstructures minces dans une géométrie de phototransistor pour produire une photoréactivité de 1,4 × 10 ⁸ AW ^-1 et une détectivité spécifique de 4,72 x 10 ¹⁵ Jones à 430 nm; ce qui était de loin la meilleure réactivité et détectivité enregistrées sur des appareils similaires à ce jour.

Les travaux sont très prometteurs pour développer des matériaux optoélectroniques extrêmement efficaces pour les communications à haut débit, sentir, caméras ultra-sensibles, imagerie et écrans haute résolution. Le comportement des superstructures graphène-PQD (G-PQD) sous la forme d'une synapse photonique est également critique pour la reconnaissance des formes. Les résultats soutiennent le développement d'une unité matérielle pour l'architecture neuromorphique qui imite le cerveau humain, pour une gamme d'applications passionnantes. Pradhan et al. utilisé la reprécipitation assistée par ligand (LARP) pour produire des PQD avec un rendement quantique de photoluminescence très élevé, et contrôlé la taille et la morphologie des produits PQD. L'équipe a initié la croissance des PQD directement sur les sites actifs des monocouches de graphène pour former les superstructures. Pendant le processus, ils ont ajouté un toluène antisolvant sur une couche de graphène humidifiée avec des précurseurs de pérovskite pour initier l'ensemencement, et formé des embryons de pérovskite sur la feuille de graphène requise pour la formation de cristaux PQD.

Développer très sensible, phototransistors ultrafins

L'équipe a analysé le matériau hybride nouvellement synthétisé (graphène PQD) en utilisant la microscopie électronique à transmission (MET) pour vérifier la liaison entre les PQD et les couches de graphène. Ils ont noté la présence de deux G-PQD différents qui ont absorbé la longueur d'onde visible à 434 nm et 451 nm, indiquant leur potentiel à former des phototransistors hautement performants détectant à l'éclairage bleu. Pradhan et al. testé les propriétés photophysiques du matériau par rapport à la dynamique de l'état excité de la superstructure G-PQD en utilisant le comptage de photons uniques corrélés dans le temps (TCSPC) et observé un temps de décroissance de fluorescence moyen de 749 ns. La superstructure a montré une sensibilité améliorée et un photocourant amélioré par rapport aux photorésistances précédemment rapportées. L'appareil pourrait également agir comme un interrupteur activé par la lumière sous un éclairage de lumière blanche et le photocourant a augmenté rapidement dans un temps de réponse de 0,45 seconde après avoir allumé la lumière. Des temps de réponse plus longs sont dus à des facteurs plus complexes.

Applications des synapses photoniques neuromorphiques lors de la reconnaissance faciale.

Depuis l'architecture traditionnelle de von Neumann ou l'architecture de Princeton; une architecture informatique développée par le mathématicien et physicien John von Neumann est à la fois gourmande en temps et en énergie pour le transport de données à l'heure actuelle. Les limites existantes de performances et d'évolutivité entre la mémoire et le processeur sont communément appelées le goulot d'étranglement de von Neumann. L'appareil avait causé des inconvénients majeurs dans les applications centrées sur les données de reconnaissance d'images en temps réel, classification des données et traitement du langage naturel. L'informatique neuromorphique est donc une plate-forme émergente supérieure qui peut surpasser l'architecture von Neumann. Dans la configuration, la synapse peut typiquement agir comme un canal de communication entre deux neurones.

Dans ce cas, la superstructure G-PQD a agi comme une synapse photonique artificielle; où le signal pré-synaptique était basé sur les stimuli lumineux externes sous forme d'impulsions optiques et le signal post-synaptique était le courant obtenu à travers le canal G-PQD pour maintenir la source de drain et la tension de grille fixes. Les informations optiques embarquées, les capacités de traitement de détection et de rétention des dispositifs synaptiques G-PQD ont formé un candidat potentiel pour la mémoire visuelle humaine dans les domaines de la reconnaissance de formes. Pradhan et al. construit un réseau de neurones à pics pour effectuer un apprentissage automatique et une reconnaissance faciale non supervisés à l'aide de Python. L'équipe a utilisé quatre portraits de personnes pour entraîner le réseau neuronal et a montré qu'une utilisation accrue des neurones de sortie parallèlement à un temps d'entraînement plus long permettrait d'obtenir des taux plus élevés de reconnaissance faciale.

De cette façon, Basudev Pradhan et ses collègues ont développé des superstructures extrêmement minces basées sur des matériaux hybrides de PQD développés à partir d'un réseau de graphène en utilisant une technique de croissance cristalline par défaut. Ils ont obtenu un transfert de charge hautement amélioré grâce aux nuages ​​combinés d'électrons de PQD et de graphène. Les dispositifs résultants présentaient des performances élevées pour les phototransistors et les synapses photoniques, que l'équipe a ensuite validée à l'aide de simulations. L'équipe a l'intention d'étendre son approche à d'autres matériaux 2D, notamment les dichalcogénures de métaux de transition et d'autres hétérostructures. Les travaux ouvriront la porte à une nouvelle classe de matériaux de superstructure haute performance adaptés à de multiples applications électroniques et optoélectroniques, bénéfique pour la reconnaissance faciale et l'informatique neuromorphique.

© 2020 Réseau Science X