Organic memcapacitors for large-area, neuromorphic pattern recognition: development of an electronic trap system (MemTrap)

Abstract

Memory elements such as memristors and memcapacitors, whose properties depend on both the current state and the system's history, offer the potential to enable new functionalities in electronics. These devices are anticipated to have applications in analog circuits and neuro-morphic systems, where they can emulate adaptive and learning behavior. Neuromorphic systems process information in an event-driven and energy-efficient manner by utilizing distributed computation in neurons and localized storage in synapses. The pinMOS memcapacitor is a combination of a standard organic p-i-n light-emitting diode and a MOS capacitor. In this device, charges can be stably trapped and removed, producing multiple memory states whose capacitance varies due to the resulting depletion layer at the MOS structure's oxide layer. In this project, a new application for organic electronics was investigated. Chemical insecticides are widely used worldwide to reduce the pest insect population. However, they are also toxic to humans and nature. A reusable, electronic trap that can attract, detect, and identify, but selectively attack only the pest while leaving beneficial insects unharmed, may provide a sustainable, nature-friendly replacement. We experimentally proved the hypothesis that insects can be detected based on their dielectric properties. And we showed that pinMOS memcapacitor-based detector circuits can distinguish between moving objects, such as an insect, and static objects, such as a water droplet on the surface. We fabricated devices and obtained valuable models for both transistors and memcapacitors, and showed the capabilities of the pinMOS as a synaptic device for neuromorphic pattern recognition. Finally, we demonstrated the capability of pinMOS memcapacitor reservoirs in performing time-series classification tasks with an accuracy of ~92% using six pinMOS devices. To reach higher classification accuracies, the pinched charge–voltage hysteresis loop of the pinMOS shall be further widened. Speicherelemente wie Memristoren und Memkondensatoren, deren Eigenschaften sowohl vom aktuellen Zustand als auch von der Systemgeschichte abhängen, bieten das Potenzial, neue Funktionalitäten in der Elektronik zu ermöglichen. Diese Bauelemente finden in analogen Schaltungen und neuromorphen Systemen Anwendung, weil sie adaptives und lernendes Verhalten nachbilden können. Neuromorphe Systeme verarbeiten Informationen ereignisgesteuert und energieeffizient, indem sie verteilte Berechnungen in Neuronen und lokalisierte Speicherung in Synapsen nutzen. Der pinMOS-Memkondensator ist eine Kombination aus einer standardmäßigen organischen p-i-n-Leuchtdiode und einem MOS-Kondensator. In diesem Bauelement können Ladungen stabil eingefangen und wieder freigesetzt werden, wodurch mehrere Speicherzustände entstehen, deren Kapazität aufgrund der Verarmung an der Oxidschicht der MOS-Struktur variiert. In diesem Projekt wurden neue Anwendungen für organische Elektronik untersucht. Chemische Insektizide werden weltweit in großem Umfang eingesetzt, um den Bestand an Schädlingen zu reduzieren. Sie sind jedoch auch für Mensch und Natur giftig. Eine wiederverwendbare elektronische Falle, die Schädlinge anlocken, erkennen und identifizieren kann, diese aber selektiv bekämpft, während Nützlinge unversehrt bleiben, könnte einen nachhaltigen, naturverträglichen Ersatz darstellen. Wir haben die Hypothese, dass Insekten anhand ihrer dielektrischen Eigenschaften erkannt werden können, experimentell bestätigt. Wir haben gezeigt, dass Detektorschaltungen auf Basis von pinMOS-Memkondensatoren zwischen sich bewegenden Objekten, wie beispielsweise einem Insekt, und statischen Objekten, wie beispielsweise einem Wassertropfen auf der Oberfläche, unterscheiden können. Wir haben Bauelemente hergestellt und wertvolle Modelle sowohl für Transistoren als auch für Memkondensatoren entwickelt und die Fähigkeiten des pin-MOS als synaptisches Bauelement für die neuromorphe Mustererkennung aufgezeigt. Schließlich haben wir gezeigt, dass ein neuromorphes System mit sechs pinMOS-Bauelementen Klassifizierungsaufgaben mit einer Genauigkeit von etwa 92 % bewältigen kann. Um höhere Klassifizierungsgenauigkeiten zu erreichen, muss die verengte Ladungs-Spannungs-Hystereseschleife des pinMOS weiter verbreitert werden.