在當今電子工業中，計算記憶對更快、新紀更高效組件的元具需求巨大，以滿足現代計算的體管需要。傳統晶體管正逐漸達到其物理和操作極限，問世它們在數據中心中消耗大量能源和空間，計算記憶尤其是新紀在需要數十億個晶體管來存儲和處理數據的場景下。隨著數字數據的元具急劇增長，這種方法變得不可持續。體管來自約翰霍普金斯大學的問世研究團隊發現了一種新型記憶電阻器(memristor)，能夠擁有更豐富的計算記憶記憶，提升其效率。新紀

該研究由霍華德·卡茨教授領導，元具聚焦于基于材料的體管晶體管的潛力。起初，問世他們的重點是理解晶體管在工作過程中如何發生電荷捕獲，并探尋如何提高可靠性和防止短路。然而，當研究團隊在晶體管的絕緣層中引入二苯并四硫富瓦烯(DBTTF)時，導致了多項其他發現。

事實證明，DBTTF在絕緣層內形成了納米級的晶體，形成了局部的電荷存儲位點。這一現象使得晶體管即使在電流通過時也能保留之前的電荷狀態。此外，摻雜了DBTTF的晶體管顯示出更好的穩定性和抗電流過載能力。與傳統設備在重復施加電壓循環下會 deteriorate(退化)不同，這些改良過的晶體管在長期使用中表現出一致的性能。

記憶電阻器及其工作原理

記憶電阻器是一種獨特的電氣元件，因為它們能夠通過保留電荷狀態來“記住”過去的狀態。記憶電阻器通過電阻切換這一現象維持過去的狀態，即材料的電阻會根據施加的電壓而變化。當電壓施加在記憶電阻器上時，其材料內的離子或缺陷會從導電纖維移動到通道。

這些通道會根據電輸入的強度、極性和持續時間動態改變設備的電阻。當電壓移除時，這些通道依然保持完整，從而使記憶電阻器能夠記住其最后的電阻狀態。這一特性對于創建無需持續電源即能保留信息的設備具有重要意義。

記憶電阻器根據先前響應的累積效應調整其反應;例如，重復刺激會強化導電通道，而不活動則會削弱這些通道。在這里，記憶電阻器模擬了大腦中神經元的工作，隨著時間的推移而因活動而加強或削弱(突觸可塑性)。這一事實表明，將記憶電阻器整合到類神經系統中是有價值的。

DBTTF對記憶電阻器的作用

約翰霍普金斯大學的研究團隊使用聚苯乙烯基的柵極介電材料，混合不同濃度的DBTTF，制造了頂部接觸、底部柵極的有機場效應晶體管(OFETs)。這些設備通過多種先進的表征技術進行分析，如X射線衍射、激光光學顯微鏡和掃描電子顯微鏡。

這些測試揭示了在介電層中形成了間隔良好的小型DBTTF晶體結構。晶體結構的形狀、形式和其他參數都會影響記憶電阻器的電子特性。

觀察到的性質之一是，含有7.5 wt% DBTTF的聚苯乙烯設備與對照樣本相比，電壓偏移(ΔVth)增加了330%，這表明這些晶體能夠捕獲電荷，從而最終導致設備存儲電荷。DBTTF的引入提高了設備對電流過載和環境條件的抵抗力，確保長期可靠性。此外，DBTTF形成的通道確保了電荷的受控流動，因為這些通道減少了隨機散射并實現精確的電荷調制，從而提高了信號的完整性和電荷響應性。

利用摻有DBTTF的記憶電阻器解決當前挑戰

這些具有記憶保留功能的晶體管的發現解決了傳統計算系統面臨的多個挑戰。目前的云存儲系統每千兆字節數據需要數十億個晶體管，導致高能耗和空間限制。

記憶電阻器提供了變革性的替代方案，它們能夠用單個記憶保留設備替代多個晶體管，從而顯著降低能耗和空間需求。記憶電阻器通過將存儲和處理結合在同一設備中實現內存計算，這種方法消除了在多個獨立存儲和處理單元之間轉移數據的需要，這通常會引入顯著的延遲和能量成本。

因此，實時數據處理和人工智能(AI)計算等任務得到了極大加速，因為數據在存儲位置直接處理。這一創新顯著提升了人工智能算法、實時數據分析和邊緣計算系統的性能。

類神經計算與記憶電阻器

正如之前所強調的，這項技術最有利的應用是類神經計算，系統旨在模擬人腦的結構和功能。類神經系統使記憶電阻器能夠模擬突觸可塑性，使機器能夠像人類認知那樣處理信息。

這一能力允許性能優化、自適應學習和實時決策。此外，基于記憶電阻器的設備在實時決策方面表現出色，能夠快速高效地處理大量數據，而傳統系統往往會造成延遲。它們模擬神經過程的能力使得記憶電阻器成為機器人、自動駕駛汽車、人工智能系統等應用的基礎組件。類神經系統不僅提供了卓越的效率，還有可能革新需要智能、響應和自適應系統的領域。

隨著技術的進步，記憶功能可以進一步增強，這將為電子領域創造眾多可能性。具有記憶功能的晶體管的誕生可以開啟一個嶄新的計算時代，不僅更加高效，而且更加自適應與簡化。憑借改變行業和重新定義技術邊界的潛力，這一創新改變了當今的計算方式，并為進一步的提升鋪平了道路。

浮思特科技深耕功率器件領域，為客戶提供IGBT、IPM模塊等功率器件以及單片機(MCU)、觸摸芯片，是一家擁有核心技術的電子元器件供應商和解決方案商。