使用混合超结构来构建光电晶体管和光子突触

（文章来源：科技报告与资讯）

有机-无机卤化物钙钛矿量子点（PQD）形成了一种有吸引力的光电应用材料。但是，它们的电荷传输性能比石墨烯等的材料差。相反，石墨烯包含的电荷产生效率对于光电应用而言太低。在一项新的研究中，Basudev Pradhan和纳米科学技术中心的研究团队，以及美国中佛罗里达大学的的多领域科学家们，利用石墨烯-PQD超结构开发了一种超薄光子晶体管和光子突触。

为了制备超结构，他们直接从石墨烯晶格中生长了PQD。由G-QPD制成的光电晶体管表现出出色的响应度和比检测率。上层结构的光辅助记忆效应使光子突触行为可用于神经形态计算，该团队在机器学习的帮助下通过面部识别应用程序进行了演示。Pradhan等研究人员期望G-PQD超结构为开发高效光电器件提供新的方向。

石墨烯因其宽的光谱带宽，出色的载流子传输性能，高迁移率，出色的稳定性和出色的柔韧性而成为电子和光电领域的理想材料。材料科学家开发了许多复合材料和器件，用于能量收集，存储，光电探测器和晶体管。但是，单层石墨烯只能吸收2.3％的入射可见光，严重阻碍了它们在光电和光子器件中的使用。相反，由于有机-无机PQD 的独特特性，它们已成为光电应用中有吸引力的材料，尽管它们的电荷传输能力比石墨烯差。

Pradhan等通过使用缺陷介导的方法从单层石墨烯的晶格中生长PQD，探索了这项工作中甲基铵溴化铅PQD的强光生效率。由于PQD可以吸收光并生成电荷载流子，因此其原理有助于设计混合超结构。该团队在光电晶体管的几何形状中实现了薄的超结构，以在430 nm处产生1.4×10 8 AW -1的光响应性和4.72 x 10 15 Jones 的比检测率；这是迄今为止在类似设备上记录的最佳响应度和探测率。

这项工作极有希望开发出用于高速通信，传感，超灵敏相机，高分辨率成像和显示器的高效光电材料。以光子突触形式存在的石墨烯-PQD（G-PQD）超结构的行为对于模式识别也至关重要。结果支持用于模拟人脑的神经形态结构硬件单元的开发，可用于一系列的应用程序。Pradhan等使用配体辅助再沉淀（LARP）来生产具有非常高的光致发光量子产率的PQD，并控制PQD产品的尺寸和形态。该团队直接在石墨烯单层的活性位点上开始PQD的生长，以形成超结构。在此过程中，他们将抗溶剂甲苯添加到被钙钛矿前体浸润的石墨烯层上以引发晶种，并在形成PQD晶体所需的石墨烯片上形成钙钛矿胚。

该团队使用透射电子显微镜（TEM）分析了新合成的杂化材料（石墨烯PQD ），以验证PQD和石墨烯层之间的结合。他们注意到存在两种不同的G-PQD，它们吸收了434 nm和451 nm的可见光波长，表明它们有可能形成在蓝色照明下检测的高性能光电晶体管。

使用时间相关的单光子计数测试了材料相对于G-PQD 超结构激发态动力学的光物理性质，并观察到平均荧光衰减时间为749 ns。与先前报道的光刻胶相比，超结构显示出更高的灵敏度和更高的光电流。该设备还可以在白光照射下充当光激活开关，并且在打开灯后的0.45秒响应时间内，光电流迅速上升。由于更复杂的因素，导致响应时间更长。

由于采用传统的冯·诺依曼结构或普林斯顿结构；目前，由数学家和物理学家约翰·冯·诺伊曼（John von Neumann）开发的计算机体系结构既耗时又耗电。内存和处理器之间现有的性能和可伸缩性限制通常被称为von Neumann瓶颈。该设备在以数据为中心的实时图像识别，数据分类和自然语言处理应用中造成了重大缺陷。因此，神经形态计算是一个新兴的高级平台，可以胜过冯·诺依曼架构。在设置中，突触通常可以充当两个神经元之间的交流通道。

在这种情况下，G-PQD上层结构充当了人造光子突触。突触前信号基于光脉冲形式的外部光刺激，而突触后信号是通过G-PQD通道获得的电流，以保持漏极源极和栅极电压固定。G-PQD突触设备的嵌入式光学信息，检测处理和保留功能在模式识别领域中成为了人类视觉记忆的潜在候选者。Pradhan等。构建了一个尖峰神经网络，以使用Python执行无监督的机器学习和面部识别。该团队使用四幅人物肖像来训练神经网络，并表明增加输出神经元的使用以及更长的训练时间可以实现更高的面部识别率。

以这种方式，Basudev Pradhan及其同事基于利用缺陷介导的晶体生长技术从石墨烯晶格中生长的PQD的杂化材料，开发了极薄的超结构。由于PQD和石墨烯的π电子云的结合，他们获得了高度增强的电荷转移。最终的器件在光电晶体管和光子突触方面表现出了很高的性能，该团队进一步使用仿真进行了验证。该团队打算将他们的方法扩展到其他二维材料，包括过渡金属二卤化物和其他异质结构。这项工作将为适用于多种电子和光电应用的新型高性能上部结构材料打开一扇大门，这对面部识别和神经形态计算非常有利。
（责任编辑：fqj）