Dispositivo sináptico de captura de carga ReS2 para aplicativo de reconhecimento facial

Resumo

Dispositivos sinápticos são necessários para atender à crescente demanda por sistemas mais inteligentes e eficientes. Neste trabalho, o dissulfeto de rênio anisotrópico (ReS ₂ ) é usado como um material de canal para construir um dispositivo sináptico e emular com sucesso o comportamento de potenciação / depressão de longo prazo. Para demonstrar que nosso dispositivo pode ser usado em um sistema de rede neural em grande escala, 165 imagens do banco de dados de Yale Face são selecionadas para avaliação, das quais 120 imagens são usadas para treinamento de rede neural artificial (ANN) e as restantes 45 imagens são usadas para teste de ANN. Uma ANN de três camadas contendo mais de 10 ⁵ pesos é proposto para a tarefa de reconhecimento facial. Além disso, 120 estados de condutância modulada contínua são selecionados para substituir os pesos em nossa RNA bem treinada. Os resultados mostram que uma excelente taxa de reconhecimento de 100% é alcançada com apenas 120 estados de condutância, o que prova um alto potencial de nosso dispositivo no campo de redes neurais artificiais.

Histórico

Desde o advento dos computadores modernos, a estrutura de von Neumann, em que a unidade aritmética é separada da memória, tem sido amplamente utilizada. Este tipo de estrutura faz com que a transmissão de dados entre a unidade aritmética e a memória torne-se um gargalo, limitando significativamente a melhoria do desempenho do computador [1, 2]. Enquanto isso, a unidade aritmética e a memória principal são dispositivos voláteis com alto consumo de energia, e as informações desaparecerão imediatamente se a energia for cortada [3]. Em contraste, o cérebro humano é um sistema de armazenamento e computação eficiente de informações com alta tolerância a falhas e baixo consumo de energia (cerca de 20 W), e é baseado em uma rede complexa altamente interconectada, massivamente paralela e estruturalmente variável composta por cerca de 10 ¹¹ neurônios e 10 ¹⁵ sinapses [4, 5]. Esses neurônios são considerados os motores computacionais do cérebro, recebendo sinais de entrada de milhares de sinapses em paralelo. A plasticidade sináptica é um processo biológico que altera o peso sináptico por meio de atividades sinápticas, sendo considerada uma fonte de aprendizado e memória [6].

Os materiais bidimensionais (2D) com um tamanho pequeno e excelentes propriedades eletrônicas, como grafeno, dichalcogenetos de metais de transição (TMDCs) e fósforo preto, têm atraído atenção significativa e foram implementados com sucesso em dispositivos sinápticos [7, 8]. Os TMDCs com a rede simétrica, como MoS ₂ e WSe ₂ , têm sido amplamente estudados [9, 10]. Por outro lado, dissulfeto de rênio (ReS ₂ ) com uma estrutura de cristal octaédrica distorcida (1T) raramente foi explorada no campo neuromórfico. A maioria dos TMDs tem um bandgap direto na monocamada e um bandgap indireto na multicamada, portanto, um material de monocamada difícil de obter é necessário para um bom desempenho do dispositivo. No entanto, ReS ₂ dentro de dez camadas são consideradas como tendo um bandgap direto [11], o que significa ReS ₂ dentro de dez camadas, todas podem funcionar bem. Além disso, a estrutura de rede assimétrica leva a uma energia de acoplamento intercamada mais fraca, o que beneficia o trabalho de esfoliação e, portanto, torna o dispositivo sináptico muito mais fácil de fabricar [12,13,14,15]. Neste estudo, ReS ₂ filme é usado como um material de canal. A estrutura cristalina da monocamada ReS ₂ é mostrado na Fig. 1a, onde as direções a e b denotam o segundo eixo mais curto e o eixo mais curto no plano basal, respectivamente. Com base em pesquisas científicas anteriores e muitas imagens ópticas de nosso ReS esfoliado ₂ filme [13], direção b denota a orientação cristalográfica com a maior mobilidade de elétrons. Para ilustrar as características elétricas de nosso ReS ₂ dispositivo sináptico melhor, direção b é considerada como uma direção da corrente do canal, conforme mostrado na Fig. 1b.

Os dispositivos sinápticos baseados em ReS ₂ Material 2D. a Estrutura cristalina da monocamada ReS ₂ . b Imagem ótica de um ReS de cinco camadas ₂ Floco. Inserção:eletrodos de origem e drenagem padronizados no ReS ₂ Floco; direção b é considerada a direção da corrente do canal. c A imagem AFM e o perfil de altura do ReS ₂ Floco. d Diagrama esquemático de um material 2D ReS ₂ dispositivo sináptico. A espessura do Al ₂ O ₃ , ZrO ₂ , e Al ₂ O ₃ pilha (da parte inferior) é de 12 nm, 4 nm e 4 nm, respectivamente

Existem muitos dispositivos com diferentes estruturas que simulam com sucesso a dinâmica sináptica, como plasticidade de curto prazo (STP), potenciação de longo prazo (LTP) e depressão de longo prazo (LTD) [16,17,18]. A MoS ₂ A sinapse de heterojunção híbrida / PTCDA foi demonstrada com a modulação fotoelétrica dupla eficiente [10]. Uma sinapse de nanotubo de carbono [19] e MoS ₂ baseado em silício sinapse [20] mostrou lógica dinâmica. No entanto, os estudos mencionados enfocaram apenas o nível sináptico. Em alguns estudos, diferentes estados de condutância foram realizados para provar que seus dispositivos poderiam ser usados para construir redes neurais artificiais (RNAs), mas eles não colocaram os estados condutores nas RNAs para o cálculo [21, 22]. Neste trabalho, 120 estados de condutância contínuos são modulados, e os valores de condutância correspondentes são usados na rede de reconhecimento de face treinada para cálculo; uma excelente taxa de reconhecimento de 100% é alcançada.

Métodos

A estrutura esquemática do nosso dispositivo sináptico é mostrada na Fig. 1d, onde pode ser visto que um filme de ITO (óxido de índio e estanho) de 70 nm foi depositado no SiO ₂ / Si substrato como um eletrodo de porta traseira. O substrato era um wafer de Si com 200 nm de SiO ₂ em cima. Foi primeiro limpo com acetona, álcool isopropílico e água desionizada e, em seguida, seco com N ₂ gás antes da deposição de ITO. A camada ITO foi primeiro depositada por pulverização catódica e, em seguida, recozida a 400 ° C no N ₂ atmosfera por 10 min por processamento térmico rápido (RTP). Eletrodos ITO transparentes são usados para fabricar com precisão eletrodos de fonte e dreno usando litografia de feixe de elétrons. O Al ₂ O ₃ / ZrO ₂ / Al ₂ O ₃ estruturas em sanduíche com uma espessura de 12 nm, 4 nm e 4 nm foram cultivadas no ITO por deposição de camada atômica (ALD) como uma camada de barreira, uma camada de captura de elétrons e uma camada de tunelamento, respectivamente. Em seguida, o ReS ₂ esfoliado mecanicamente flocos com uma espessura de cerca de 3,6 nm foram depositados como um canal sob os eletrodos de Ti / Au padronizados. Os eletrodos de Ti / Au com espessura de 10 nm e 70 nm foram padronizados usando a litografia por feixe de elétrons seguida da evaporação do feixe de elétrons como fonte e dreno, respectivamente. A Figura 1c mostra a imagem do microscópio de força atômica de nosso ReS ₂ de 3,6 nm de espessura filme (cerca de cinco camadas); o comprimento do canal foi projetado para ser de 1,5 μm (veja a inserção na Fig. 1b). Neste trabalho, o back gate ITO atuou como um neurônio pré-sinapse, e os eletrodos Ti / Au atuaram como um neurônio pós-sinapse. Uma tensão pequena e constante foi aplicada entre os eletrodos fonte e dreno, enquanto o eletrodo ITO back gate foi aplicado com pulsos para modular o desempenho do dispositivo sináptico.

Resultados e discussão

A Figura 2a mostra as características de transferência de nosso dispositivo sináptico a uma tensão de porta traseira de 2 V ( V _bg =2 V) sob uma tensão fixa dreno-fonte ( V _ds ) mudando de 100 a 700 mV com o passo de 100 mV. Uma relação de corrente liga / desliga acima de 10 ⁶ puderam ser observados. A curva exibiu a corrente de dreno para a fonte ( I _ds ), que primeiro aumentou rapidamente e depois tornou-se saturado; as excelentes características de saturação corresponderam à forte regulação do canal pelo eletrodo back gate ITO. Ao contrário dos transistores tradicionais, que usam silício como eletrodo de porta inferior e SiO ₂ como um dielétrico na tensão de operação de geralmente mais de 20 V [23], a tensão de operação do nosso dispositivo sináptico com apenas uma distância de 20 nm entre o ReS ₂ canal e eletrodo ITO back gate estava abaixo de 5 V, melhorando significativamente a eficiência do dispositivo sináptico. A inserção na Fig. 2a mostra a relação superlinear sob o baixo- V _ds regimes, o que demonstra um bom contato Schottky entre o ReS ₂ eletrodos de canal e fonte e dreno. Conforme mostrado na Fig. 2b, I _ds - V _bg curva de histerese pode ser observada quando V _bg mudou de - 5 para 5 V e depois reverteu em uma polarização constante de 0,1 V ( V _ds =0,1 V). Nas medições, uma pequena tensão constante de 0,1 V foi aplicada entre os eletrodos fonte e dreno para “ler” a corrente pós-sináptica. A janela de memória, que forneceu a base para o desempenho sináptico, era de cerca de 3,5 V; uma janela de memória tão grande tornou nosso ReS ₂ dispositivo muito promissor para aplicações sinápticas [24]. Desde o topo da banda de valência de ZrO ₂ foi maior do que Al ₂ O ₃ , e a parte inferior da banda de condução era menor do que Al ₂ O ₃ (veja a inserção na Fig. 2c), ZrO ₂ usado como uma camada intermediária ensanduichada entre alumina pode capturar carga de forma eficaz. Os diagramas de banda de energia sob tensão de porta traseira positiva e negativa são mostrados na Fig. 2c e d, respectivamente. Quando uma tensão positiva foi aplicada, os elétrons no ReS ₂ canal primeiro faria um túnel através do Al ₂ O ₃ camada de tunelamento, então ser capturado pelo ZrO ₂ camada de trapping. Pelo contrário, quando ITO foi aplicado com uma tensão negativa, os elétrons se reuniram no ZrO ₂ camada seria enviada para o ReS ₂ canal; as faixas de energia dobraram na direção do canal.

Propriedades elétricas do ReS ₂ dispositivos sinápticos. a Característica de transferência ( I _ds - V _bg ) do ReS ₂ dispositivos sinápticos em um V fixo _ds mudando de 100 a 700 mV com o passo de 100 mV. b Característica de saída ( I _ds - V _ds ) do ReS ₂ dispositivos sinápticos em um V fixo _bg mudando de - 2 para 2 V com o passo de 1 V. c Loop de histerese em V _bg de ± 5 V faixas de varredura. V _ds foi mantida a 100 mV. d Diagrama da banda de energia do ReS ₂ dispositivos sinápticos com voltagem positiva de back gate. Detalhe:níveis de energia de Al ₂ O ₃ e ZrO ₂ . e Diagrama da banda de energia do ReS ₂ dispositivos sinápticos com voltagem negativa de back gate

Na Fig. 3a, uma corrente pós-sináptica excitatória típica (EPSC) foi detectada após a aplicação de um pulso de entrada negativa (com amplitude de -1 V e duração de 10 ms) na porta traseira do ITO. Além disso, uma pós-sináptica inibitória respondeu a um pulso de voltagem positiva (com amplitude de 1 V e duração de 10 ms) foi observada na Fig. 3b, que é semelhante a uma sinapse biológica [25]. O sinal de pulso do neurônio pré-sinapse foi transmitido ao neurônio pós-sinapse através da sinapse e convertido na corrente pós-sináptica (PSC) [26]. O valor PSC foi determinado pela amplitude e duração do pulso. Quando o pulso era negativo, os elétrons dos defeitos de ZrO ₂ ganhou energia suficiente para criar um túnel através do Al superior ₂ O ₃ camada dielétrica no ReS ₂ canal. O valor constante da corrente foi ligeiramente superior ao valor anterior (∆PSC =0,04 nA) e poderia se manter por muito tempo. Este fenômeno correspondeu à potenciação de longo prazo (LTP) na sinapse biológica. No entanto, quando o pulso era positivo, os elétrons no ReS ₂ canal canalizado através do Al ₂ O ₃ camada sob a atração do campo elétrico e foram capturados pelos defeitos do ZrO ₂ . Assim, o valor constante da corrente era ligeiramente inferior ao valor original e poderia se manter por muito tempo (∆PSC =0,06 nA). Este processo correspondeu à depressão de longo prazo (LTD) na sinapse biológica. O LTP e LTD forneceram um substrato fisiológico para aprendizagem e memória em dispositivos sinápticos. Quando os pulsos negativos com amplitude de - 2 V e duração de 10 ms foram aplicados continuamente, com intervalo de 1 s entre os pulsos, observou-se o aumento da corrente nas duas etapas, conforme mostrado na Fig. 3c. Os valores de corrente ascendente foram 1,6 nA e 1,4 nA, respectivamente. Portanto, uma corrente contínua e uniformemente crescente pode ser obtida sob os pulsos de tensão de porta periódicos, e a corrente constante após a estimulação pode durar por um longo tempo, como mostrado na Fig. 3d. Esta descoberta forneceu uma base para a obtenção de vários estados condutores estáveis.

Desempenho sináptico do ReS ₂ dispositivos sinápticos. a A corrente pós-sináptica excitatória (EPSC) desencadeada pelo pulso de entrada (- 1 V, 10 ms). b A corrente pós-sináptica inibitória (IPSC) desencadeada por um pico pré-sináptico (1 V, 10 ms). c Par de picos de saída de EPSC disparados por dois pulsos de entrada consecutivos (- 2 V, 10 ms e com um intervalo de 1 s entre os pulsos). d Características de retenção do ReS ₂ dispositivos sinápticos após um pico pré-sináptico de - 3 V e 10 ms

A Figura 4a mostra 120 valores de corrente após a aplicação de 120 pulsos negativos com uma amplitude de - 2 V e uma duração de 10 ms e com um intervalo de 1 s entre os pulsos. Aparentemente, a curva de corrente apresentou excelente linearidade, 120 estados efetivos de condutância de alta estabilidade foram obtidos em cada estado. Diferentes estados de condutância corresponderam a diferentes valores de peso de RNA [27].

Rede neural artificial para reconhecimento facial. a 120 estados de condutância após a aplicação de 120 pulsos negativos (- 2 V, 10 ms e com um intervalo de 1 s entre os pulsos). b A RNA de três camadas com 1.024 neurônios de entrada, 256 neurônios ocultos e 15 neurônios de saída. c Fluxograma do ciclo de treinamento-reconhecimento

Neste trabalho, é proposta uma rede neural artificial de três camadas para tarefa de reconhecimento facial, e sua estrutura é apresentada na Fig. 4b, onde pode ser visto que a camada de entrada é composta por 1024 neurônios que correspondem a 1024 pixels de uma imagem, a camada do meio (oculta) consiste em 256 neurônios e a camada de saída consiste em 15 neurônios que correspondem a 15 classes de faces.

O desenvolvimento da RNA proposta é o seguinte. Um total de 165 fotos, incluindo 15 tipos de fotos do banco de dados Yale Face [28], são usadas para treinamento e teste de RNA. Oito imagens de cada tipo são usadas para treinamento de RNA, e as três imagens restantes de cada tipo são usadas para testes de RNA. Dado que os módulos são funções suaves em relação às suas entradas e seus pesos internos, as arquiteturas multicamadas podem ser treinadas por uma descida gradiente estocástica simples, e os gradientes são geralmente calculados pelo procedimento de retropropagação [29]. Portanto, usamos o algoritmo clássico de propagação para trás (BP) para construir nossa rede e mostrar como o algoritmo BP funciona para nossa RNA.

Neste trabalho, X _m representa um neurônio de entrada, então o valor de entrada de um neurônio oculto pode ser expresso como:
$$ {Y} _ {in} =\ sum \ limits_ {m =1} ^ {1024} {X} _m {V} _ {mn} $$
onde V _mn representa o valor do peso entre um neurônio de entrada X _m e um neurônio oculto Y _em , e todos V _mn formar a matriz V com um total de 1024 × 256 valores de peso; o valor inicial desta matriz é atribuído aleatoriamente. A função de ativação da camada oculta é a função sigmóide, então o valor de saída de um neurônio oculto é dado por:
$$ {Y} _ {on} =\ frac {1} {1+ {e} ^ {Y_ {in}}} $$
Assim, o valor de entrada de um neurônio de saída pode ser expresso como:
$$ {Z} _ {ik} =\ sum \ limits_ {n =1} ^ {256} {Y} _ {on} {W} _ {nk} $$
onde W _nk representa o valor do peso entre um neurônio oculto Y _em e um neurônio de saída Z _ik , e todos W _nk formar a matriz W com um total de 256 × 15 valores de peso; o valor inicial de W _nk também é atribuído aleatoriamente. Além disso, usamos a função sigmóide como uma função de ativação da camada de saída, de modo que o valor de saída de um neurônio de saída seja dado por:
$$ {Z} _ {ok} =\ frac {1} {1+ {e} ^ {Z_ {ik}}} $$
Comparando a saída calculada acima com a saída correta, o erro de saída total pode ser obtido e é expresso como:
$$ E =\ frac {1} {2} \ sum \ limits_ {k =1} ^ {15} {\ left ({O} _k- {Z} _k \ right)} ^ 2 $$
onde O _k é o valor de saída correto. Até agora, o processo de propagação direta da rede foi completamente descrito. Para melhorar a taxa de reconhecimento, o processo de retropropagação é necessário para calcular os erros dos pesos e eles são usados para atualizar os pesos da rede na próxima iteração.
$$ \ Delta {V} _ {mn} =\ mu \ frac {\ parcial E} {\ parcial {V} _ {mn}} $$$$ \ Delta {W} _ {nk} =\ mu \ frac {\ parcial E} {\ parcial {W} _ {nk}} $$$$ {V_ {mn}} ^ {\ prime} ={V} _ {mn} + \ Delta {V} _ {mn} $ $$$ {W_ {nk}} ^ {\ prime} ={W} _ {nk} + \ Delta {W} _ {nk} $$
Nas expressões matemáticas acima, ∆V _mn e ∆W _nk representam respectivamente os erros de V _mn e W _nk; após adicionar os erros ao peso original, obtemos o peso atualizado V _mn ^′ e W _nk ^′ ; μ é a taxa de aprendizagem e μ =0,06. Após a atualização dos pesos, uma nova imagem é alimentada para a RNA, e o processo de atualização do peso é repetido até que todas as 120 imagens tenham sido usadas para o treinamento. Em seguida, usamos a rede treinada para identificar as 45 imagens restantes e calcular a taxa de reconhecimento. O processo de teste da ANN requer apenas o processo de propagação direta. Cada imagem usada para teste obtém 15 valores de saída após uma propagação direta. O valor de saída reflete a probabilidade de que a imagem de entrada seja de um determinado tipo. A saída com o valor de probabilidade máxima é selecionada, e o tipo correspondente é o tipo da imagem de entrada identificada pela rede. Os resultados do reconhecimento são comparados com a saída padrão; todas as imagens corretamente identificadas são contadas e seu número total é n . Em cada ciclo de treinamento-reconhecimento, a taxa de reconhecimento r É dado por:
$$ r =\ frac {n} {45} \ vezes 100 \% $$
Geralmente, a taxa de reconhecimento do primeiro reconhecimento é muito baixa, e em nossa RNA com 256 neurônios ocultos, a primeira taxa de reconhecimento é de apenas 17,78%. O processo de reconhecimento de treinamento acima é repetido até que a taxa máxima de reconhecimento seja obtida. Todo o ciclo de treinamento-reconhecimento é mostrado na Fig. 4c.

Conforme mostrado na Fig. 5a, durante o processo de desenvolvimento da RNA, a taxa máxima de reconhecimento e a velocidade crescente da taxa de reconhecimento (velocidade de treinamento) foram diferentes em um número diferente de neurônios ocultos. Um número maior de neurônios ocultos levou a uma taxa máxima de reconhecimento mais alta e a uma velocidade de aumento mais rápida, mas também aumentou o consumo de energia, portanto, certas compensações devem ser feitas. No caso de 256 neurônios ocultos, a taxa de reconhecimento atingiu 100% após 600 iterações de treinamento, conforme mostrado na Fig. 5b. Uma vez que esta era definitivamente a taxa máxima de reconhecimento que poderia ser alcançada, em nossa RNA, definimos o número de neurônios ocultos para 256. A distribuição dos valores de peso após diferentes ciclos de teste de treinamento é apresentada na Fig. 5c, e indica que o os pesos tornaram-se mais dispersos após mais ciclos, ou seja, para atingir uma taxa de reconhecimento maior, os pesos na RNA tiveram que ser ajustados. Uma vez que alcançamos a taxa máxima de reconhecimento, as matrizes V e W tendo o valor de peso ideal foram obtidos. Para demonstrar melhor que nosso ReS ₂ dispositivo é adequado para ser aplicado a ANNs, todos os valores de peso nas matrizes de peso V e W foram substituídos pelos valores de condutância do dispositivo. Usamos I _j ( j =1, 2, 3 ⋯ 120) para representar 120 valores de condutância que foram obtidos após 120 ciclos, e fizemos uma transformação linear dos valores de condutância originais para que a faixa de condutância fosse consistente com a faixa de peso, que era dada por:
$$ {C} _j =A {I} _j + B $$

Realização do reconhecimento facial. a Curva da taxa de reconhecimento em diferentes números de neurônios ocultos (32, 64, 128 e 256). b Curva da taxa de reconhecimento em 256 neurônios ocultos; a taxa de reconhecimento chega a 100% após quase 600 épocas de teste de treinamento. c A distribuição dos valores de peso após 10 a 90 (em etapas de 20) períodos de treinamento. d A distribuição dos valores de peso após 100 a 600 (em etapas de 100) períodos de treinamento. e Taxa de reconhecimento após a substituição; os valores de peso foram substituídos após 100 ~ 500 períodos de treinamento (em etapas de 100)

onde C _j representou o valor do peso após a transformação linear. No caso de 600 ciclos, os coeficientes de transformação linear foram A =1,3769 × 10 ¹⁰ e B =- 65,784. Em seguida, subtraímos cada C _j de cada valor de peso e substituiu o valor de peso por C _j que teve o menor valor absoluto após a subtração; ou seja, calculamos min | V _mn - C _j |, min | W _nk - C _j | e substituiu cada valor de peso com o C correspondente _j . Desta forma, obtivemos novos V e W matrizes de peso em que todos os valores de peso foram substituídos por C _n . Em seguida, usamos nossas novas matrizes de peso em testes de RNA, e a taxa de reconhecimento de RNA de 100% foi alcançada, o que provou que nossos 120 estados de condutância poderiam ser perfeitamente usados como valores de peso na RNA. Para fins de análise posterior, substituímos os valores de peso após 100 ~ 500 ciclos de treinamento (em etapas de 100), e os resultados da identificação obtidos após a substituição são totalmente consistentes com o original, conforme mostrado na Fig. 5d. Isso prova que esses 120 valores atuais poderiam substituir perfeitamente mais de 10 ⁵ valores de peso para cálculo. Aumentando ainda mais o número de pulsos de porta, mais estados de condutância podem ser obtidos, o que provou que nosso ReS ₂ dispositivo pode ser usado em um sistema de rede neural em grande escala.

Conclusões

Neste trabalho, apresentamos um ReS 2D baseado em pilha dielétrica high-k ₂ dispositivo sináptico e demonstrar alguns comportamentos sinápticos fundamentais, como potenciação de longo prazo e depressão de longo prazo. Os resultados mostram que nosso ReS ₂ dispositivo pode simular bem o desempenho sináptico. Além disso, uma RNA é construída para comprovar a aplicação do dispositivo proposto em redes neurais artificiais. Aplicando 120 pulsos de tensão de porta periódicos, 120 estados de condutância eficazes e claramente distintos são obtidos e são usados para substituir mais de 10 ⁵ pesos na RNA para reconhecimento facial. A taxa de reconhecimento de 100% é alcançada após a substituição. Este excelente resultado demonstra que nosso ReS ₂ a sinapse pode ser usada para construir uma rede neural artificial.

Disponibilidade de dados e materiais

Os autores declaram que os materiais, dados e protocolos associados estão à disposição dos leitores, e todos os dados usados para a análise estão incluídos neste artigo.

Abreviações

2D:: Bidimensional
ALD:: Deposição de camada atômica
ANN:: Rede neural artificial
LTD:: Depressão de longa duração
LTP:: Potencialização a longo prazo

Uma evolução da microestrutura anisotrópica em um ânodo de célula de combustível de óxido sólido Modulação Ligado-Desligado de Modo Duplo da Transparência Induzida por Plasmon e Efeito de Acoplamento em Metassuperfície Terahertz Padronizada Baseada em Grafeno

Nanomateriais

Materiais Poliméricos

biológico

Corante

Especiarias