Precursor Ratio-Controlled Chloride Vacancies in Lead-Free KCuCl3-x Memristors for Forming-Free Gradual Resistive Switching and Neuromorphic Learning

تخيل حاسوباً لا يفكر عبر قلب مفاتيح صلبة من التشغيل والإيقاف، بل عبر محاكاة الروابط المرنة والقابلة للتكيف الموجودة في الدماغ البشري. هذا هو الوعد الذي يقدمه الحوسبة العصبية (neuromorphic computing)، وهو مجال يسعى لبناء أنظمة إلكترونية تتعلم وتعالج المعلومات مثل الخلايا العصبية البيولوجية. وفي قلب هذا الجهد توجد أجهزة صغيرة تسمى "الممرستورات" (memristors)، والتي يمكنها تذكر حالاتها الكهربائية السابقة وتغيير مقاومتها لمحاكاة تقوية أو إضعاف المشابك العصبية في الدماغ. ولكي تعمل هذه الأجهزة بشكل جيد، يجب أن تكون قادرة على ضبط موصليتها بسلاسة ودقة، بدلاً من مجرد القفز بين مستويين ثابتين. ولتحقيق ذلك، غالباً ما يعتمد العلماء على قطع صغيرة مفقودة داخل البنية الذرية للمادة، تُعرف باسم "الفراغات" (vacancies). تسمح هذه المواضع المفقودة للأيونات بالتحرك وإعادة الترتيب تحت تأثير مجال كهربائي، مما يخلق المسارات التي تمكن الجهاز من تغيير حالاته. ومع ذلك، فإن العثور على القدر الصحيح من هذه القطع المفقودة هو عملية توازن دقيقة: فإذا كانت قليلة جداً، لن يتمكن الجهاز من التبديل بكفاءة؛ وإذا كانت كثيرة جداً، سيصبح السلوك فوضووياً وغير موثوق.

لقد طور فريق من الباحثين في المعهد الهندي للتكنولوجيا في كهارغبور وكلية راجا ناريندريال خان النسائية طريقة جديدة للتحكم في هذه القطع المفقودة في نوع معين من المواد الآمنة بيئياً. فبدلاً من استخدام الرصاص، وهو مادة سامة وشائعة في العديد من المواد المماثلة، عملوا مع مركب خالٍ من الرصاص يتكون من البوتاسيوم والنحاس والكلور. ومن خلال ضبط الوصفة المستخدمة لإنشاء أغشية رقيقة من هذه المادة بعناية، تمكنوا من ضبط عدد ذرات الكلور المفقودة بدقة عالية. سمح هذا التحكم لهم بإنشاء جهاز يغير مقاومته بسلاسة ودون الحاجة إلى جهد "تدريب" أولي قاسٍ، وهو عائق شائع في التقنيات المماثلة. وكانت النتيجة ممرستوراً لا يتبدل بشكل موثوق فحسب، بل يتعلم بفعالية أيضاً، محققاً دقة عالية في التعرف على الأرقام المكتوبة بخط اليد وعناصر الأزياء في عمليات المحاكاة الحاسوبية.

بدأ الباحثون بخلط كلوريد البوتاسيوم وكلوريد النحاس بنسب مختلفة لإنشاء خمس نسخ متميزة من المادة، تتراوح من التوازن المثالي إلى نسخة يتم فيها تقليل البوتاسيوم بشكل كبير. ومع تغيير نسبة المكونات الأولية هذه، تغيرت البنية الداخلية للأغشية الرقيقة الناتجة بطريقة يمكن التنبؤ بها. وباستخدام تحليل الأشعة السينية القوي، لاحظ الباحثون أن الشبكة البلورية، وهي النمط المتكرر للذرات، توسعت قلي_ت قليلاً في اتجاه واحد بينما تقلصت في اتجاهات أخرى. والأهم من ذلك، وجدوا أن ذرات الكلور المفقودة لم تكن متناثرة عشوائياً، بل تشكلت بشكل تفضيلي عند مواقع كلوريد طرفية محددة داخل البنية البلورية الكتلية حيث تكون ذرات الكلور مثبتة بشكل أقل إحكاماً. أدى هذا الإزالة المستهدفة للذرات إلى خلق بيئة محكومة حيث يمكن لذرات النحاس تغيير شحنتها الكهربائية، لتنتقل من حالة تحمل بصمة مغناطيسية إلى حالة لا تحملها. أكد هذا التحول أن ذرات الكلور المفقودة كانت تغير النشاط الإلكتروني للمادة فعلياً، مما يجعل مرور الكهربة أكثر سهولة.

ومع زيادة عدد ذرات الكلور المفقودة، تغيرت قدرة المادة على توصيل الكهرباء بطريقة محددة للغاية. فقد أظهرت الأفلام التي تحتوي على كمية متوسطة من الذرات المفقودة تحسناً ملحوماً في استجابتها للنبضات الكهربائية. ففي النسخ السابقة التي تحتوي على عدد أقل من الذرات المفقودة، تطلب الجهاز جهداً أولياً عالياً لبدء العمل، وهي عملية تُعرف باسم "التشكيل الكهربائي" (electroforming)، وكان تبديلها يحدث بشكل مفاجئ. وفي المقابل، النسخ التي تم ضبط تركيز الذرات المفقودة فيها بعناً، عملت دون الحاجة إلى دفعة جهد أولية عالية، وكان التغير في المقاومة يحدث تدريجياً. وهذا التغير التدريجي أمر بالغ الأهمية لمحاكاة الدماغ، حيث تقوى المشابك العصبية أو تضعف في خطوات مستمرة وصغيرة بدلاً من القفزات المفاجئة. ووجد الباحثون أن الجهاز الذي يحتوي على العدد الأمثل من الذرات المفقودة يمكنه التبديل بين الحالات أكثر من 10,000 مرة دون فشل، محافظاً على تميز واضح بين حالتي المقاومة العالية والمنخفضة.

وجاء الاختبار الحقيقي لهذه الأجهزة عندما استخدمها الباحثون لمحاكاة شبكة دماغية بسيطة. فقد قاموا بتغذية السلوك الكهربائي الفعلي لأفضل أجهزتهم المصممة في نموذج حاسوبي مصمم للتعرف على الصور. وعندما طُلب من النظام تحديد الأرقام المكتوبة بخط اليد من مجموعة بيانات قياسية، حقق دقة تقترب من 99 بالمائة. وعند اختباره على مجموعة أكثر تعقيداً من الصور التي تظهر أنواعاً مختلفة من الملابس، ظلت الدقة مرتفعة بأكثر من 91 بالمائة. كانت هذه النتائج أفضل بكثير من تلك التي تم الحصول عليها من الأجهزة التي تحتوي على عدد قليل جداً أو كثير جداً من الذرات المفقودة. فالأجهزة التي تحتوي على الكثير من الذرات المفقودة كانت تبدل بشكل أسرع ولكنها عانت من تشبع سريع في الموصلية وضعف في الخطية، مما جعل عملية التعلم تصبح مشوشة وأقل دقة. وقد أثبت هذا وجود "نقطة مثالية" في تركيز العيوب حيث تكون المادة أكثر فعالية في التعلم.

كشفت الدراسة أيضاً لماذا يعد هذا التوازن مهماً للغاية. فعندما كان تركيز الذرات المفقودة مرتفعاً جداً، أصبحت مسارات الكهرباء عديدة وغير منظمة للغاية، مما أدى إلى فقدان السيطرة على عملية التبديل. كان الجهاز يصل إلى حالة التشبع، مما يعني أنه يصطدم بأقصى أو أدنى مقاومة له بسرعة كبيرة، مما لا يترك مجالاً للتعديلات الطفية اللازمة للتعلم. وعلى العكس من ذلك، عندما كان التركيز منخفضاً جداً، كانت حركة الأيونات بطيئة للغاية، مما يتطلب طاقة ووقتاً أكبر للتبديل. وفرت النسخة المثلى التي وجدها الباحثون عدداً كافياً فقط من العيوب المتحركة للسماح بتبديل سريع وموفر للطاقة، مع الحفاظ على قدر كافٍ من النظام لضمان أن تكون التغييرات دقيقة وقابلة للتكرار. يضع هذا العمل رابطاً واضحاً بين الترتيب على المستوى الذري لقدرة المادة على أداء مهام معقدة مثل التعلم، ويقدم مخططاً لتصميم أنظمة إلكترونية مستقبلية تكون قوية وآمنة بيئياً في آن واحد.