预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115988953A(43)申请公布日2023.04.18(21)申请号202211603896.3G06N3/067(2006.01)(22)申请日2022.12.13G11C11/42(2006.01)G11C11/54(2006.01)(71)申请人复旦大学G11C13/00(2006.01)地址200433上海市杨浦区邯郸路220号(72)发明人孟佳琳王天宇陈琳孙清清张卫(74)专利代理机构北京得信知识产权代理有限公司11511专利代理师孟海娟(51)Int.Cl.H10N70/20(2023.01)B82Y10/00(2011.01)B82Y15/00(2011.01)B82Y30/00(2011.01)B82Y40/00(2011.01)权利要求书1页说明书4页附图4页(54)发明名称一种仿生光电储备池神经形态器件及其制备方法(57)摘要本发明公开一种仿生光电储备池神经形态器件及其制备方法。该光电储备池神经形态器件包括:衬底;种子层,形成在所述衬底上;隔离层,形成在所述种子层上;氧化物纳米线网络,形成在所述隔离层表面,作为电子储备池,利用生长的氧化物纳米线随机排布的特性构建储备池中的神经元节点,借助氧化物纳米线的忆阻行为实现类人脑的随机相连的储备池神经元;具有光电响应的半导体量子点,生长在氧化物纳米线网络上,对其进行修饰,将器件的响应从纯电学拓展至光电响应,实现对光信号的感知功能;工作电极,生长在纳米线网络上。CN115988953ACN115988953A权利要求书1/1页1.一种仿生光电储备池神经形态器件制备方法,其特征在于,包括以下步骤:在衬底上形成种子层;对所述种子层进行原位氧化处理形成隔离层;在所述隔离层表面生长氧化物纳米线网络作为电子储备池,利用生长的氧化物纳米线随机排布的特性构建储备池中的神经元节点,借助氧化物纳米线的忆阻行为实现类人脑的随机相连的储备池神经元;在氧化物纳米线网络上生长具有光电响应的半导体量子点对其进行修饰,将器件的响应从纯电学拓展至光电响应,实现对光信号的感知功能;在纳米线网络上生长工作电极,获得仿生光电储备池神经形态器件。2.根据权利要求1所述的仿生光电储备池神经形态器件制备方法,其特征在于,所述种子层Ni、Ti、Zn、Cu或Mo。3.根据权利要求1所述的仿生光电储备池神经形态器件制备方法,其特征在于,所述氧化物纳米线网络为氧化镍、氧化钛、氧化锌、氧化铜或氧化镍。4.根据权利要求3所述的仿生光电储备池神经形态器件制备方法,其特征在于,生长氧化物纳米线网络的具体步骤包括:将电压施加在种子层,电压的大小为10‑100V,随后对样品进行退火处理,退火温度为400‑600℃,退火时长为3‑6小时,形成随机分布生长的氧化物纳米线网络。5.根据权利要求1所述的仿生光电储备池神经形态器件制备方法,其特征在于,所述半导体量子点为MoS2、PtS2、ZnS、CdS、CdSe或PtSe2量子点。6.一种仿生光电储备池神经形态器件,其特征在于,包括:衬底;种子层,形成在所述衬底上;隔离层,形成在所述种子层上;氧化物纳米线网络,形成在所述隔离层表面,作为电子储备池,利用生长的氧化物纳米线随机排布的特性构建储备池中的神经元节点,借助氧化物纳米线的忆阻行为实现类人脑的随机相连的储备池神经元;具有光电响应的半导体量子点,生长在氧化物纳米线网络上,对其进行修饰,将器件的响应从纯电学拓展至光电响应,实现对光信号的感知功能;工作电极,生长在纳米线网络上。7.根据权利要求6所述的仿生光电储备池神经形态器件,其特征在于,所述种子层Ni、Ti、Zn、Cu或Mo。8.根据权利要求6所述的仿生光电储备池神经形态器件,其特征在于,所述氧化物纳米线网络为氧化镍、氧化钛、氧化锌、氧化铜或氧化镍。9.根据权利要求6所述的仿生光电储备池神经形态器件,其特征在于,所述半导体量子点为MoS2、PtS2、ZnS、CdS、CdSe或PtSe2量子点。10.根据权利要求6所述的仿生光电储备池神经形态器件,其特征在于,所述衬底为生长有二氧化硅的高掺硅片。2CN115988953A说明书1/4页一种仿生光电储备池神经形态器件及其制备方法技术领域[0001]本发明涉及半导体技术领域,具体涉及一种仿生光电储备池神经形态器件及其制备方法。背景技术[0002]传统的计算机均以冯·诺依曼式架构为其基本架构,受限于存储芯片与计算芯片的结构分离设计,数据的存取与计算处理均需要在两者之间进行频繁的数据输送,难以在计算过程中实现速度与功耗的突破。为了进一步提高数据的计算处理速度,需要开发新型的计算硬件,助力打破传统的冯·诺依曼式计算瓶颈。[0003]相比于传统计算机的工作模式,基于人工神经网络的神经形态计