Модель многослойного покрытия для искусственного оптического синапса
Автор: Притоцкий Егор Михайлович, Притоцкая Анастасия Павловна, Панков Михаил Александрович
Журнал: Компьютерная оптика @computer-optics
Рубрика: Дифракционная оптика, оптические технологии
Статья в выпуске: 2 т.46, 2022 года.
Бесплатный доступ
Выполнены расчеты оптических характеристик тонких пленок теллурида германия (GeTe) в многослойных структурах. Разработана модель многослойного оптического покрытия с четырехуровневым коэффициентом пропускания. По полученным расчетным данным определены значения толщин, при которых происходит наибольшее изменение коэффициента пропускания для модулируемого оптического излучения на длине волны 1550 нм. Изготовлены экспериментальные образцы покрытий с просветленными пленками GeTe, и исследованы их оптические характеристики пропускания. Определены комбинации параметров многослойных структур для реализации контрастных уровней пропускания. Результаты исследования представляют реализацию многоуровневого искусственного оптического синапса для нейроморфных процессоров.
Многослойное покрытие, фазоизменяемый материал, оптический синапс, нейроморфный процессор
Короткий адрес: https://sciup.org/140293805
IDR: 140293805
Model of a multilayer coating for an artificial optical synapse
Optical characteristics of germanium telluride (GeTe) thin films in multilayer structures are calculated. A model of a multilayer optical coating with a four-level transmission coefficient is developed. Based on the calculated data, thickness values are determined at which the transmittance change is greatest for 1550-nm modulated optical radiation. Experimental samples coated with antireflection GeTe films are synthesized and their optical transmission characteristics are investigated. Combinations of parameters of the multilayer structures for the implementation of contrast transmittance levels are determined. The results of the study represent the implementation of a multilevel artificial optical synapse for neuromorphic processors.
Список литературы Модель многослойного покрытия для искусственного оптического синапса
- Abbott LF, Regehr WG. Synaptic computation. Nature 2004; 431(7010): 796-803. DOI: 10.1038/nature03010.
- Li X, Tang J, Zhang Q, Gao B, Yang JJ, Song S, Wu W, Zhang W, Yao P, Deng N, Deng L, Xie Y, Qian H, Wu H. Power-efficient neural network with artificial dendrites. Nat Nanotechnol 2020; 15(9): 776-782. DOI: 10.1038/s41565-020-0722-5.
- Abawi S, Mohammed TA, Al-Zawi S. Understanding of a convolutional neural network. 2017 Int Conf on Engineering and Technology (ICET) 2017: 1-6. DOI: 10.1109/ICEngTechnol.2017.8308186.
- Gosh-Dastidar S, Adeli H. Spiking neural networks. Int J Neural Syst 2009; 19(4): 295-308. DOI: 10.1142/S0129065709002002.
- Idiveri G, Linares-Barranco B, Legenstein R, Deligeorgis G, Prodromakis T. Integration of nanoscale memristor synapses in neuromorphic computing architectures. Nanotech-nology 2013; 24(38): 384010. DOI: 10.1088/09574484/24/38/384010.
- Merolla PA, Arthur JV, Alvarez-Icaza R, Cassidy AS, Sawada J, Akopyan F, Jackson BL, Imam N, Guo C, Nakamura Y, Brezzo B, Vo I, Esser SK, Appuswamy R, Taba B, Amir A, Flickner MD, Risk WP, Manohar R, Mo-dha DS. A million spiking-neuron integrated circuit with a scalable communication network and interface. Science 2014; 345(6197): 668-673. DOI: 10.1126/science.1254642.
- Ahmanathan A, Stanisavljevic M, Papandreou N, Pozidis H, Eleftheriou E. Multilevel-cell phase-change memory: A viable technology. IEEE J Emerg Sel 2016; 6(1): 87-100. DOI: 10.1109/JETCAS.2016.2528598.
- Ambrogio S, Narayanan P, Tsai H, Shelby RM, Boybat I, di Nolfo C, Sidler S, Giordano M, Bodini M, Farinha NCP, Killeen B, Cheng C, Jaoudi Y, Burr GW. Equivalent-accuracy accelerated neural-network training using analogue memory. Nature 2018; 558(7708): 60-67. DOI: 10.1038/s41586-018-0180-5.
- Amirsoleimani A, Alibart F, Yon V, Xu J, Pazhouhandeh MR, Ecoffey S, Beilliard Y, Genov R, Drouin D. Inmemory vector-matrix multiplication in monolithic complementary metal-oxide-semiconductor-memristor integrated circuits: Design choices, challenges, and perspectives. Advanced Intelligent Systems 2020; 2(11): 2000115. DOI: 10.1002/aisy .202000115.
- Gholipour B, Bastock P, Craig C, Khan K, Hewak D, Soci C. Amorphous metal-sulphide microfibers enable photonic synapses for brain-like computing. Adv Opt Mater 2015; 3(5): 635-641. DOI: 10.1002/adom.201400472.
- Cheng Z, Ríos C, Pernice WHP, Wright CD, Bhaskaran H. On-chip photonic synapse. Sci Adv 2017; 5(9): e1700160. DOI: 10.1126/sciadv.1700160.
- Sun X, Lotnyk A, Ehrhardt M, Gerlach JW, Rauschenbach B. Realization of multilevel states in phase-change thin films by fast laser pulse irradiation. Adv Opt Mater 2017; 5(12): 1700169. DOI: 10.1002/adom.201700169.
- Eliseev NN, Kiselev AV, Ionin VV, Mikhalevsky VA, Burtsev AA, Pankov MA, Karimov DN, Lotin AA. Wide range optical and electrical contrast modulation by laser-induced phase transitions in GeTe thin films. Results Phys 2020; 19: 103466. DOI: 10.1016/j.rinp.2020.103466.
- Wuttig M, Bhaskaran H, Taubner T. Phase-change materials for non-volatile photonic applications. Nat Photon 2017; 11(8): 465-476. DOI: 10.1038/nphoton.2017.126.
- Zhang W, Mazzarello R, Wuttig M, Ma E. Designing crystallization in phase-change materials for universal memory and neuro-inspired computing. Nat Rev Mater 2019; 4(3): 150-168. DOI: 10.1038/s41578-018-0076-x.
- Ionin VV, Kiselev AV, Eliseev NN, Mikhalevsky VA, Pankov MA, Lotin AA. Multilevel reversible laser-induced phase transitions in GeTe thin films. Appl Phys Lett 2020; 117(1): 011901. DOI: 10.1063/5.0014375.
- Gemo E, Kesava SV, De Galarreta CR, Trimby L, Carrillo SGC, Riede M, Baldycheva A, Alexeev A, Wright CD. Simple technique for determining the refractive index of phase-change materials using near-infrared reflectometry. Opt Mater Express 2020; 10(7): 1675-1686. DOI: 10.1364/OME.395353.
- Arakelyan SM, Butkovskiy OY, Burtsev AA, Lysenko SL, Pankov MA, Pritotskiy EM, Pritotskaya AP. Modeling of sizes of coefficients of reflection and transmission for mul-tilayered coatings [In Russian]. Computational Nanotech-nology 2017; 4: 14-20.
