深圳大学周晔Adv. Sci.综述 | 石墨烯量子点(GQDs)用于后摩尔时代神经形态器件的核心材料
关注我,更新不错过
随着人工智能与深度学习的爆发,传统冯·诺依曼架构面临“存储墙”“功耗墙”瓶颈,脑启发计算成为后摩尔时代的重要方向。近日,深圳大学周晔教授团队系统总结了石墨烯量子点(GQDs)在神经形态器件中的研究进展,相关综述成果以“Advances and Perspectives in Graphene-Based Quantum Dots Enabled Neuromorphic Devices”为题发表在Advanced Science上。
一、GQDs的制备
GQDs的尺寸均一性、缺陷密度等直接决定神经形态器件性能,主流制备分为“自上而下”与“自下而上”两种方法:
二、GQDs的改性三大策略
通过表面功能化、杂原子掺杂、异质结构建三大改性策略,可精准调控GQDs的光电特性,适配神经形态器件需求:
表面功能化:Gomes等将GQDs通过酯键共价接枝到碳纤维(CF)表面,解决团聚问题,制备的对称超级电容器比电容达211 F/g(纯CF仅40 F/g),5000次循环后电容保留率约97%(图3相关实验);Gao等用GQDs修饰In₂O₃/ZrO₂薄膜晶体管(TFT),场效应迁移率高达34.02 cm²/V·s,开关比4.55×10⁷,亚阈值摆幅0.08 V/dec(图3)。
杂原子掺杂:Gong等以石墨为前驱体,用过硫酸铵作为氧化剂和氮源,制备的N-GQDs光致发光量子产率最高达63.8%,产率52%(图3b、d相关实验);Kim等通过脉冲激光烧蚀法制备S-GQDs,10 mol%硫掺杂时量子产率从0.8%提升至3.89%(图3);Min等制备的N,S共掺杂GQDs,氮掺杂量9.36%、硫掺杂量0.78%,显著提升氧还原反应催化活性(图3e)。
三、GQDs调控神经形态器件的核心机制
GQDs通过调控电荷俘获、离子迁移、光电协同等过程,赋能两端、三端神经形态器件:
两端离子迁移器件:Kim等将GOQDs掺杂到PVP基质中,构建引导丝状生长的突触器件,Ag⁺优先在GOQDs周围还原聚集,形成定向导电丝簇(图6a-b);Zhou等制备Ag/Zr₀.₅Hf₀.₅O₂:GOQDs/Ag忆阻器,在0.6 V、30 ns低能脉冲下实现双向渐进线性电导调制(图6c-d);Choi等开发N-GOQD功能层生物相容性忆阻突触,可模拟短期可塑性(STP)到长期记忆(LTM)的转变(图6e)。
三端器件:Gao等制备GQDs-In₂O₃复合沟道TFT,界面陷阱密度低至5.84×10¹¹ cm⁻²,显著提升载流子传输效率(图4c-d);Kim等以GQDs为电荷俘获层,制备有机纳米浮栅存储晶体管,开关比高达10⁶,数据保留时间达10⁴ s,循环次数超100次(图4c)。
四、从存储到柔性生物相容性器件应用
GQDs在非易失性存储、人工神经元、人工突触等领域展现出独特优势,关键数据如下:
总结与展望
GQDs凭借量子限制效应、丰富表面态和优异界面相容性,为低功耗、多模态、柔性神经形态器件提供了理想材料体系(图13)。但目前仍面临结构精度不足、多尺度耦合机制不清、大规模阵列一致性差、多模态系统集成有限等挑战。未来需聚焦绿色高效合成、定量能级/缺陷工程、高密度集成技术,推动GQDs从实验室原型走向实际应用,为后摩尔时代智能计算提供核心材料支撑。
Yulin Zhen, Wei Zeng, Zherui Zhao, JiYu Zhao, Ziyan Huang, Zhuo Chen, Kui Zhou, Guanglong Ding, Su-Ting Han, Ye Zhou*. Advances and Perspectives in Graphene-Based Quantum Dots Enabled Neuromorphic Devices. Advanced Science (2026): e00042.
https://doi.org/10.1002/advs.202600042
通讯作者简介
周 晔
深圳大学高等研究院特聘教授,博导。教育部重大人才工程青年学者,英国物理学会会士,皇家化学会会士,英国工程技术学会会士。研究兴趣包括神经形态材料、器件与系统,在Science、Chem. Rev.、Nat. Electron.、Nat. Commun.、Matter、Adv. Mater.、Appl. Phys. Rev.、Adv. Funct. Mater.、Nano Lett.、Mater. Today、Nano Today、IEEE EDL、IEEE TED等期刊发表论文100余篇,他引10000余次,H-因子60,获授权中国与美国发明专利20余项。
NanoBioLab微信公众号欢迎各课题组投稿,投稿信箱:nanobiolab@126.com
点关注不迷路,转发分享多条路
本文为学术论文中文解读推文,内容仅代表原文作者观点,仅用于学术分享与交流。版权归原作者及发表期刊所有,如涉及版权问题,请及时联系我们删除。