Resistive Switching Mechanism in Colloidal Quantum Dot-based Memristors for Neuromorphic Computing = 뉴로모픽 컴퓨팅 응용을 위한 콜로이드 양자점 기반 멤리스터의 저항 변화 메커니즘

국문 초록 (Abstract)

멤리스터는 연산과 저장을 동시에 수행할 수 있는 특성으로 차세대 메모리 시스템에서 병렬 연산을 가능하게 하는 핵심 소자로 주목받고 있다. 다양한 후보 물질 중에서도 콜로이드 양자점은 크기 조절을 통한 밴드 갭 제어, 용액 공정 및 표면 화학의 조절 용이성과 같은 장점으로 인해 멤리스터 물질로서 각광받고 있다. 그러나 이런 우수한 특성에도 불구하고, 양자점 기반 멤리스터의 개발은 저항 변화 거동에 대한 불충분한 이해와 안정적으로 제어하기 어려운 점에서 제한되고 있다. 또한, 대부분의 양자점 기반 멤리스터는 저항이 급격하게 변화하는 디지털 저항 변화 특성을 보여 뉴로모픽 컴퓨팅 적용에 한계가 있다.
본 논문에서는 양자점 기반 멤리스터의 저항 변화 메커니즘을 규명하고, 구조적 설계를 통해 아날로그 저항 변화를 구현하기 위한 전략을 제시하였다. 먼저, 양자점 기반 멤리스터의 저항 변화 메커니즘을 명확히 밝히는데 초점을 두었다. 이를 위해 전하 주입 특성을 조절할 수 있도록 코어/쉘 구조 인화 인듐 양자점 기반으로 한 세 가지 다른 메모리 소자 구조를 설계하고, 그 전기적 특성을 면밀히 분석하였다. 특히, 얇은 유기 박막 절연층을 전극 중 하나와 양자점 층 사이에 삽입하여 특정 전극으로부터의 캐리어 주입을 차단하였으며, 전류-전압 특성의 셋/리셋 전압을 비교하여 주요 트랩 전하를 밝혔다. 또한, 전기적/광학적 종합적인 분석을 통해, 본 양자점 기반 멤리스터의 저항 변화 메커니즘은 주로 황화 아연 최외곽 쉘 표면 결함 준위에서 전자의 트랩/디트랩 현상에 기인함을 밝혔다.
이러한 결과를 바탕으로 양자점 기반 멤리스터에서 아날로그 저항 변화를 구현하기 위한 새로운 접근법을 제시하였다. 이를 위해 산화 아연 나노입자를 양자점 기반 멤리스터에 도입하여 앙자점과 산화 아연 계면에서 산화를 유도하고, 균일한 트랩 사이트를 형성하여 안정적인 트랩 기반 아날로그 저항 변화를 구현하였다. 또한, 산화 아연 층은 전자 수송을 용이하게 하고 정공 주입을 억제하여 불필요한 전자-정공 재결합을 억제하였다. 더불어, 양자점 층을 의도적으로 얇게 설계하여 수직 방향 트랩 적층을 억제함으로써 급격한 저항 변화를 완화하였다. 결과적으로 제안된 소자는 아날로그 저항 변화 거동을 하였으며, 안정적이고 신뢰성 있는 동작을 하였다.
마지막으로, 흥분성/억제성 시냅스 전류, 장기 강화/억제의 핵심 시냅스 기능을 전기적으로 구현하여 뉴로모픽 동작 적합성을 입증하였다. 이를 기반으로 아날로그 저항 변화 멤리스터의 기능성은 하드웨어 기반 다층 퍼셉트론과 합성곱 신경망 시뮬레이션으로 평가되었으며, 그 결과 디지털 저항 변화 소자 대비 우수한 성능을 보였고 이상적인 멤리스터 성능과 근접함을 확인하였다.
본 논문에서 제시한 전략은 양자점 기반 멤리스터의 근본적인 저항 변화 메커니즘을 규명함과 동시에 디지털에서 아날로그 저항 변화로의 전환을 구현하기 위한 구조적 접근법을 포함하고 있으며, 이는 뉴로모픽 컴퓨팅-인-메모리 기술로의 발전을 위한 중요한 통찰과 실질적 방향을 제시한다.

다국어 초록 (Multilingual Abstract)

Memristors are essential for enabling parallel computation in next-generation memory systems, such as neuromorphic computing, owing to their ability to provide simultaneous “processing” and “storage”. Among various memristor candidate materials, colloidal quantum dots (QDs) have increasingly attracted attention due to their size-tunable electronic structure, solution processability, and tunable surface chemistry. Despite these advantageous properties, the development of QD memristors is impeded by difficulties in understanding and adjusting resistive switching (RS) behavior of QDs. Furthermore, most QD memristors exhibit digital RS (D-RS) with abrupt resistance transitions, limiting their applicability in neuromorphic computing.
In this thesis, systematic studies on revealing RS mechanisms of QD memristors and on developing strategies to achieve analog RS (A-RS) through structural engineering are presented.
The first part focuses on clarifying the RS mechanisms of QD memristors. Here, we introduce InP/ZnSe/ZnS QDs-based three different memristor structures with adjusting the charge injection properties, and thoroughly analyzed their electrical characteristics to reveal the majority carriers involved in the RS process in the devices. In detail, we employed a thin insulator layer of poly(methyl methacrylate) (PMMA) between the QD layer and one of two electrodes to intentionally block carrier injection from one electrode. Interestingly, we could observe that the SET and RESET voltages as well as the current–voltage characteristics were changed depending on the PMMA position. Based on the investigation of the electronic and optical properties of QDs and the memristors using them, we found that the RS in our QD memristors mainly originate from the trapping–de-trapping of electrons at the surface defect states of the outermost ZnS shell layer.
The second part is devoted to presenting a novel approach for realizing A-RS in QD memristors. We introduce a non-filamentary InP/ZnSe/ZnS QD-based memristor that exhibits A-RS through a multilayer ZnO/QD/ZnO architecture deliberately designed to promote areal charge trapping. The ZnO nanoparticle interlayers play multiple roles: inducing controlled oxidation at the QD/ZnO interfaces to generate uniform trap sites essential for trap-mediated A-RS, facilitating electron transport, and suppressing hole injection to minimize undesired recombination. The QD layer is further thinned to mitigate vertical trap stacking, thereby preventing abrupt transitions in resistance. As a result, the proposed A-RS memristor exhibited stable, bidirectional, and gradual conductance modulation characteristics, which have the ability to mimic biological synapses.
Finally, the third part, evaluate synaptic behaviors of proposed A-RS memristors, including excitatory/inhibitory postsynaptic current and long-term potentiation/depression, establishing its suitability for neuromorphic operations. The functionality of the A-RS memristors is evaluated through performance benchmarking using hardware-based neural network models, including a multi-layer perceptron (MLP) trained on the Modified National Institute of Standards and Technology dataset and a convolutional neural network (CNN) trained on the Canadian Institute for Advanced Research-10 dataset. The simulation demonstrates a significant performance advantage of the A-RS memristor over its D-RS counterpart, achieving maximum recognition rates of 91.98% in the MLP and 87.32% in the CNN, approaching that of an ideal memristor.
We believe that our strategies, encompassing the elucidation of underlying memristive switching mechanisms and the implementation of structural approaches to achieve the transition from D-RS to A-RS, provide substantial insights and practical directions for developing QD memristors toward neuromorphic computing-in-memory technologies.

목차 (Table of Contents)

• Abstract i
• Table of Contents iv
• List of Figures viii
• List of Tables xvi
• Chapter 1. Introduction 1
• 1.1 Computer Architecture for Neuromorphic Computing 1
• 1.2 Memristors for Neuromorphic Computing 5
• 1.3 Quantum Dot-based Memristors 7
• 1.4 Outline of Thesis 10
• Chapter 2. Experimental Methods 12
• 2.1 Materials 12
• 2.1.1 Synthesis of InP/ZnSe/ZnS Quantum Dots 12
• 2.1.2 Synthesis of InP cores, ZnSe Nanoparticles and ZnS Nanoparticles 12
• 2.1.3 Synthesis of CdZnSeS/ZnS Quantum Dots 12
• 2.1.4 Synthesis of ZnSeTe/ZnSe/ZnS Quantum Dots 12
• 2.1.5 Synthesis of ZnO Nanoparticles 13
• 2.2 Other Characterizations 14
• 2.2.1 UV-visible Spectroscopy 14
• 2.2.2 Photoluminescence 14
• 2.2.3 Transient Photoluminescence 14
• 2.2.4 Transmission Electron Microscopy 14
• 2.2.5 Cross-sectional Transmission Electron Microscopy 15
• 2.2.6 X-ray Photoelectron Spectroscopy 15
• 2.2.7 Ultraviolet Photoelectron Spectroscopy 15
• 2.2.8 Time-of-flight Ion Mass Spectrometry 16
• 2.3 Device Fabrication 17
• 2.4 Device Characterization 18
• 2.4.1 Current–Voltage Measurement 18
• 2.4.2 Current density–Voltage-Luminance Measurement 18
• 2.4.3 Long-term Potentiation/Depression Curve Fitting Method 18
• Chapter 3. Digital Resistive Switching Mechanism in InP/ZnSe/ZnS Quantum Dot-based Memristors 20
• 3.1 Characterization of InP/ZnSe/ZnS Quantum Dots 22
• 3.2 Identification of the Trapped Carrier Inducing Resistive Switching in Core/Shell Quantum Dot Memristors 24
• 3.3 Identification of Charge Trap Sites in Core/Shell Quantum Dot Memristors 30
• 3.4 Summary 46
• Chapter 4. Multilayer Stacked Structure for Analog Resistive Switching in InP/ZnSe/ZnS Quantum Dot-based Memristors 47
• 4.1 Trap Formation Mechanism at the ZnO Nanoparticle/Quantum Dot Interface 50
• 4.2 Analog Resistive Switching Characteristics of Multilayer Stacked Quantum Dot-based Memristors 57
• 4.3 Summary 74
• Chapter 5. Synaptic Characteristics and Neuromorphic Performance Benchmarking of InP/ZnSe/ZnS Quantum Dot-based Memristors 75
• 5.1 Synaptic Behaviors in Analog Resistive Switching Quantum Dot-based Memristors 77
• 5.2 Synaptic Behaviors in Digital Resistive Switching Quantum Dot-based Memristors 84
• 5.3 Evaluation of Neuromorphic Performance Through Hardware-based Neural Network Benchmarking 86
• 5.4 Summary 91
• Chapter 6. Conclusion 92
• Bibliography 95
• Publication List 102
• 국 문 초 록 104