Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

e-Archivo. Repositorio Institucional de la Universidad Carlos III de Madrid
Publicación Tesis doctoral (DoctoralThesis)

Nanophotonic resonant tunneling devices for neuromorphic computing applications

  • Jacob, Bejoys
Artificial intelligence (AI) is revolutionizing modern life, driven by deep learning algorithms and Big Data. However, conventional computing systems based on the von Neumann architecture face significant energy inefficiencies in running AI algorithms. This is mainly because of the separation of memory and processing units, resulting in substantial energy loss as heat. Inspired by biological neurons, which integrate memory and processing within a single cell, neuromorphic engineering aims to develop energy efficient computing systems that mimic brain architecture using electronics, photonics, and other approaches. In this thesis, III-V nanophotonic resonant tunneling diodes (RTDs) are explored as a platform for energy-efficient, high-speed neuromorphic sensing and computing. The studied nanophotonic RTD devices consist of semiconductor AlAs/GaAs/AlAs double-barrier quantum well (DBQW) nanometric structures and exhibit negative differential resistance, nonlinear effects, and optoelectronic properties, making them uniquely suited for nanophotonic-based neuromorphic platforms. First, the design and fabrication of micropillar unipolar (n-i-n) RTD-based near-infrared LEDs with dual-light emission and detection functionality are presented. This enables a compact and efficient solution for on-chip integration of sensing and signal processing capabilities within a single device. The research further investigates the downscaling of these devices to the nanoscale using sub-μm nanopillars, achieving significant performance improvements, including higher modulation speeds and enhanced light extraction. Challenges such as surface-related non-radiative recombination are mitigated using advanced sulfur-based and silicon nitride (SixNy) coating passivation techniques. Characterization using microphotoluminescence, time-resolved photoluminescence, and X-ray photon spectroscopy demonstrates improved optical properties. These advancements led to the successful fabrication of nanoscale LED pillar arrays with enhanced internal quantum efficiency, room temperature electroluminescence, and sub-nanosecond modulation speeds. Finally, the use of RTD-photodetectors (RTD-PDs) for light-induced oscillatory neuronal signaling is demonstrated. This approach enables the encoding of optical signals into RTD-PD devices for the conversion of light into spatiotemporal electrical oscillations, mimicking biological sensory neural activity. Near-infrared light activates negative differential resistance regions in RTD-PDs, producing large-amplitude voltage oscillations that amplify sensory inputs. Pulse-modulated light controls burst firing patterns, emulating neural networks’ dynamic behavior and enabling sensing, pre-processing, and encoding analogous to biological visual systems. In summary, this work advances nanophotonic-based neuromorphic engineering, demonstrating a novel approach for III-V RTD-based nano-optoelectronic devices for energy-efficient, high-speed AI applications. The results presented here lay the foundation for future applications in light-driven neurorobotics, bioinspired optoelectronics, and real-time in-sensor neuromorphic computing platforms., La inteligencia artificial (IA) está revolucionando la vida moderna, impulsada por algoritmos de aprendizaje profundo y Big Data. Sin embargo, los sistemas de computación convencionales basados en la arquitectura de von Neumann presentan importantes ineficiencias energéticas en la ejecución de algoritmos de IA debido a la separación entre las unidades de memoria y procesamiento. Esto produce una considerable pérdida de energía en forma de calor. Inspirada en las neuronas cerebrales, que integran memoria y procesamiento dentro de una sola célula, la ingeniería neuromórfica busca desarrollar sistemas de computación, energéticamente eficientes, que imiten que imiten la arquitectura del cerebro mediante el uso de electrónica, fotónica y otros enfoques. En esta tesis doctoral se ha investigado sobre los diodos de túnel resonante (RTD, por sus siglas en inglés) nanofotónicos de materiales III-V como una plataforma para la detección y computación neuromórfica de alta velocidad y bajo consumo energético. En particular, los dispositivos RTD nanofotónicos estudiados consisten en estructuras nanométricas de pozos cuánticos de doble barrera (DBQW) de AlAs/GaAs/AlAs que exhiben resistencia diferencial negativa, efectos no lineales y propiedades optoelectrónicas, lo que los hace particularmente adecuados para plataformas neuromórficas basadas en nanofotónica. En primer lugar, se presenta el diseño y la fabricación de LEDs en el infrarrojo cercano basados en RTD de micropilares unipolares (n-i-n) con funcionalidad dual de emisión y detección de luz. Esto permite una solución compacta y eficiente para la integración en chip de capacidades de detección y procesamiento de señales en un solo dispositivo. La investigación también explora la miniaturización de estos dispositivos a escala nanométrica mediante nanopilares de sub-μm, logrando mejoras significativas en el rendimiento, como velocidades de modulación más altas y una mayor extracción de luz. Los desafíos, como la recombinación no radiativa en la superficie, se mitigan mediante técnicas avanzadas de pasivación con recubrimientos a base de azufre y nitruro de silicio (SixNy). La caracterización mediante microfotoluminiscencia, fotoluminiscencia resuelta en el tiempo y espectroscopía de rayos X demuestra una mejora en las propiedades ópticas. Estos avances llevaron a la fabricación exitosa de matrices de arrays de pilares LED a escale nanométrica con una mayor eficiencia cuántica interna, electroluminiscencia a temperatura ambiente y velocidades de modulación por debajo del nanosegundo. Finalmente, se demuestra el uso de fotodetectores basados en RTD (RTD-PDs) para la señalización neuronal oscilatoria inducida por luz. Este enfoque permite la codificación de señales ópticas en dispositivos RTD-PD para la conversión de luz en oscilaciones eléctricas espacio-temporales, imitando la actividad neuronal sensorial biológica. La luz en el infrarrojo cercano activa las regiones de resistencia diferencial negativa en los RTDPDs, produciendo oscilaciones de voltaje de gran amplitud que amplifican las señales sensoriales. La modulación pulsada de la luz controla los patrones de disparo en ráfaga, emulando el comportamiento dinámico de las redes neuronales y permitiendo detección, preprocesamiento y codificación análogos a los sistemas visuales biológicos. En resumen, este trabajo impulsa la ingeniería neuromórfica basada en nanofotónica, demostrando un enfoque novedoso para dispositivos nano-optoelectrónicos basados en RTD III-V, con aplicaciones en IA de alta velocidad y eficiencia energética. Los resultados aquí presentados establecen las bases para futuras aplicaciones en neurorrobótica basada en luz, optoelectrónica bioinspirada y plataformas de computación neuromórfica en sensores en tiempo real., I am grateful for the financial support provided by the European Union, through the H2020-FET-OPEN framework program, Project 828841 – ChipAI, Horizon Europe, Project 101046790 – InsectNeuroNano, and the Fundação para a Ciência e a Tecnologia (FCT), Project 2022.03392.PTDC – META-LED. I also acknowledge access to and support from the Micro and Nanofabrication Facility and the Nanophotonics and Bioimaging Facility at INL., Programa de Doctorado en Ingeniería Eléctrica, Electrónica y Automática por la Universidad Carlos III de Madrid, Presidente: Pedro David García Fernández.- Secretario: Manuel Caño García.- Vocal: Sara Núñez Sánchez
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publicación Artículo científico (JournalArticle)

An Integrated Photorefractive Analog Matrix-Vector Multiplier for Machine Learning

  • Vlieg, Elger A.
  • Talandier, Lucas
  • Dangel, Roger
  • Horst, Folkert
  • Offrein, Bert J.
AI is fueling explosive growth in compute demand that traditional digital chip architectures cannot keep up with. Analog crossbar arrays enable power efficient synaptic signal processing with linear scaling on neural network size. We present a photonic photorefractive crossbar array for neural network training and inference on local analog memory. We discuss the concept and present results based on the first prototype hardware., This research was funded by European Union’s Horizon 2020 research and innovation program, grant numbers 828841 (ChipAI) and 860360 (Post-Digital)., Peer reviewed