Yeni Nesil Nöromorfik Teknolojilerde Nanomalzemelerin Rolü

Son gelişmeler, memristif ve nano iyonik cihazları nöromorfik bilgisayar geliştiricileri için en öne çıkan adaylar haline getirdi. Geleneksel kitlesel materyallere dayalı üretim, birkaç erken nöromorfik cihaz ve devrenin ortaya çıkmasını sağlamıştır.

Nöromorfik teknolojilerde nanomalzemelerin rolü giderek daha belirgin hale gelmekte olup, enerji verimliliği, sinyal iletim hızı ve cihaz yoğunluğu gibi kritik parametrelerde önemli ilerlemeler sunmaktadır. Bu malzemelerin potansiyelini fark eden Nanografi, sonraki nesil nöromorfik uygulamalar için özel olarak hazırlanmış yüksek performanslı nanomalzemeler sunmaktadır. Nanografi'nin ileri malzeme teknolojilerini keşfetmek için web sitesini ziyaret edin.

Giriş

Düşük boyutlu nanomalzemelerin kullanımı, tipik olarak biyolojik bir nörona daha benzer yeni bir cihaz işlevselliği göstermiştir. Kimyasal, yapısal ve bileşimsel ayarlanabilirlikten ayrı olarak, Van Der Waals hetero yapıları yapay sinir ağları için permütasyonel esneklik sunar. Bu makalede, düşük boyutlu topoloji, kuantum sınırlılığı ve bio-ilham alınmış cihaz tepkilerini mümkün kılan arayüzler de dahil olmak üzere birçok bio-ilham alınmış cihaz ve mimari tartışılmaktadır. Bu teknolojinin elektroniği kullanma şeklimizi devrim niteliğinde değiştirme potansiyeli bulunmaktadır, çünkü enerji verimli, maliyet etkili ve sağlam cihazların geliştirilmesini sağlayabilir. Sonuç olarak daha verimli, güvenilir ve sürdürülebilir bilgisayar ve elektroniklerin yeni bir çağına yol açabilir.

Potansiyel Nöromorfik Elektronik Malzemeler

Yapay sinir ağları (YSA), son yirmi yılda gelişen bilgi işlem kapasitesi, geniş veri erişimi ve yeni eğitim yöntemleri sayesinde büyük ilerlemeler gösterdi. Bu, derin öğrenme tekniklerinin çevre bilimi, robotik, sağlık hizmetleri ve güvenlik gibi çeşitli alanlarda önemli etkiler yaratmasını beklenebilir. YSA'lar enerji verimli algoritmalara imkan tanımasına rağmen, genellikle klasik hesaplama yapılarıyla çalışırlar. Nöronları ve nörotransmitterleri devre ya da cihaz düzeyinde gerçekten taklit eden nöromorfik bilgisayar yapıları, çok daha az enerji harcar. Bu yapıların motivasyonu, mantıkla hafızanın bir araya gelmesi, düşük enerji tüketimi, genişletilmiş ağ yapısı ve insan beynine benzeyen yaklaşımlardan kaynaklanmaktadır. Nöromorfik modellemelerin ilk aşamaları temelde geleneksel elektronik bileşenlere dayanıyordu, en dikkat çekeni ise beyin ve sinir yapılarını taklit eden silikon tabanlı CMOS teknolojisiydi. Öne çıkan iki model; video içeriklerindeki değişiklikleri hızla algılayabilen IBM'in TrueNorth çipi ve zihinsel görevleri gerçekleştirebilen Avrupa Birliği'nin SpiNNaker Projesidir.

Şekil 1: Nöromorfik bilgi işlem katmanının yapısı.

Kalıcı olmayan bellek (NVM), CMOS devrelerine dayalı oynak olmayan rastgele erişim belleği (RAM) bazlı sinaptik aktivitelerin enerji israfı nedeniyle nöromorfik hesaplama için temel olarak oluşturulmuştur. Faz değişikliği belleği, dirençli rastgele erişim belleği (ReRAM) ve spin transfer hareket rastgele erişim belleği, aynı anda bellek (yani, bir ağırlık depolama birimi) ve mantık birimlerini sağlayabilen birkaç NVM teknolojisidir. Bu NVM'ler arasında, ReRAM hücreleri veya memristörler, diğer faktörlerden ödün vermeden daha küçük ayak izi ve daha düşük enerji tüketimi avantajları sunar. Memristif çapraz bar dizileri, çok katmanlı algılayıcı ağları, gözetimsiz örnek sınıflandırma ve etkili diferansiyel denklem çözümleri gibi bir dizi yeteneği aktif bir şekilde göstermiştir. Kenar hesaplaması ve Nesnelerin İnterneti için, cep telefonlarında analog ve dijital verilerin sürekli işlenmesi bulut erişimini gereksiz kıldığı için, hibrit CMOS memristif devreleri umut verici görünmektedir. Bunun nedeni, NVM ve çok durumlu değişimin memristörlerde eş zamanlı olarak var olmasıdır. Toplu malzemelerden yapılan geleneksel memristörler, özellikle geçiş metal oksitler gibi, hiyerarşik litografik tasarımı temel alır ve bu, cihazın tepkisinin atomik ölçekteki kusur yapısına ağır bir şekilde bağlı olmasından dolayı nöromorfik işlevsellik üzerinde sınırlı kontrol ve ayarlanabilirlik sunar. Öte yandan, üstün bir kontrol seviyesiyle düşük katmanlı nanomalzemeler yaratarak, sinaptik potansiyelin altında yatan stoikiyometri, kusur mühendisliği ve arayüz kimyasını sergiliyoruz. Düşük katmanlı nanomalzemeler, elektrostatik ayarlanabilirlik, kuantum faz değişiklikleri, yeni durum değişkenleri ve programlanabilir anahtarlar ve nöromorfik işlevselliği için atomik düzeyde kontrol sunar. 

Sıfır katmanlı (0D) ve bir katmanlı (1D) nanomalzemelerin aksine, bu malzeme sınıfındaki iki katmanlı (2D) nanomalzemeler, farklı elektrotlar, anında tarama ve zaman-mekansal tepkiler için açık bir mimari sunar. Farklı boyutlardaki nanomalzemeleri birleştiren hibrit sistemlerin sonuçları da oldukça teşvik edicidir. Mekanik esneklikleri nedeniyle, düşük boyutlu nanomalzemeler, afferent sinirler ve zeki protezler gibi giyilebilir nöromorfik uygulamaların geliştirilmesine yardımcı olmaktadır. Bu makalede, nöromorfik nanoelektronik malzemelerin yükselen alanındaki son gelişmeleri, 0D, bir boyut ve 2-D nanomalzemelerin özelliklerinin ve van der Waals heterojen yapılarının, nöromorfik potansiyeli zaten kapsamlı bir şekilde gözden geçirilmiş organik ve inorganik maddelere göre nasıl farklı nöromorfik tepkilere olanak tanıdığına odaklanarak incelemekteyiz.

Sıfır Boyutlu Malzemeler

Sıfır boyutlu (0D) nanomalzemeler, fotonik sistemlerdeki nöromorfik uygulamalar için idealdir. Fotonlarla iletim yapabilen bu cihazlar, elektrik sistemlerinin kablolu kısıtlamalarına maruz kalmazlar, bu da eş zamanlı etkileşim ve hızlı bağlantıya olanak tanır. Ancak bu yöntemin geliştirilmesini iki ana sorun zorlaştırmaktadır. Birincisi, doğrudan ve dolaylı medyanın optik tepki vermesi ve sinyal güçlendirmesi gerekliliği; ikincisi ise sadece optik sinyallere dayanan etkili hafıza bileşenlerinin geliştirilmesi ihtiyacıdır. Bu zorluklara cevap olarak, optik tabanlı iletişim ve bellek özellikleri sunan karma optoelektronik sistemler ortaya çıkmıştır. 3D yazıcılarla oluşturulan on binlerce obje, sinir ağları aracılığıyla %80 doğruluk oranıyla sınıflandırılabilmektedir.

0D yarı iletken kuantum noktalar, optik uygulamalar için belirgin enerji seviyeleri sunmaktadır. Aynı zamanda, sıfır boyutlu metal nanopartiküller ayarlanabilir plazmonik reaksiyonlarla sinyal kazancını artırabilir. Bu teknolojik yaklaşımla, mod kilitli lazerler kullanılarak sinaptik tepkiler başarıyla simüle edilebilmektedir. Ancak fotonik dalga kılavuzları ile kolloidal kuantum noktalarını entegre etmek karmaşık bir süreçtir.

GaAs/AlGaAs levhalarında saha kontrollü kuantum noktaları kullanılarak elektro-optik memristörler oluşturulmuştur. Bu kuantum noktaları, belirli boyut, şekil ve yapıda kesin reaksiyonları garantileyen moleküler bir kontrol sunar. Örneğin, CsPbBr3 perovskit koloidal quantum dotsların doğal yarı iletkenlerle birleştirilmesi, hemen hemen gerçek zamanlı ve uzun vadeli adaptasyonlara izin verir.

0D malzemelerin bir diğer önemli özelliği, memristör liflerinde bulunan dinamik artış ve azalış eğilimleridir. Özellikle, 0D Ag nanoparçacıklarının SiOx matrisine dahil edilmesi, bu parçacıkların yüzey gerilimi ve elektrik alanı etkisi altında dinamik davranış göstermelerine neden olur, bu da adaptif öğrenme davranışını teşvik eder.

Kısacası, sıfır boyutlu malzemeler nöromorfik sistemlerde çeşitli uygulamalara sahiptir. Bu alanda yapılan çalışmalar, teknolojinin gelecekteki potansiyelini daha da artırma potansiyeline sahiptir.             

Tek Boyutlu Malzemeler

Nöromorfik uygulamalar için 1D nanomalzemelere olan ilk ilgi, biyolojik sistemlerde aşırı bağlantı için gerekli olan boru şeklindeki aksonlara topolojik benzerlikleri nedeniyle alevlendi. Ayrıca, 1D nanomalzemeler, çok sayıdaki fiziksel ve bileşik nitelikleri, çok yönlü taban oluşturma ve düzenleme işlenebilirlikleri nedeniyle gadget'larda kullanılabilir. Tamamen düşünülmüş 1D nanomalzemelerden biri , kiral vektörüne dayanan, metal veya yarı öncü davranış biçimine sahip, yukarı doğru hareket ettirilmiş bir grafit odası olan karbon nanotüptür. Önemli yük taşıyıcı hareketlilikleri ve kazançlı ölçeklendirme özellikleri nedeniyle, yarı iletken tek duvarlı CNT'ler, oldukça süper kısa kanal aralığında (yani 5 nm'nin altındaki hub) silikon sonrası gelişmiş mantık için araştırılmıştır. Sinaptik devreler de aynı şekilde CNT yarı iletken modellerinin kullanılmasına odaklanmıştır. Organik çerçevelerde gereksiz birleşme için temel olan 1D nanomateryallerin yuvarlak aksonlara topolojik benzerliği, başlangıçta nöromorfik uygulamalar için onlara ilgi uyandırdı. Ayrıca çeşitli fiziksel ve kimyasal özellikleri, çok yönlü taban birleşimi ve düzenlenebilir işlenebilirlikleri nedeniyle 1D nanomalzemeler gadget'larda kullanılabilir. Kiral vektörüne dayalı olarak metalik veya yarı iletken özelliklere sahip, sarılmış bir grafit odası olan karbon nanotüp, en kapsamlı araştırılan 1D nanomalzemelerden biridir. Özellikle, ultra kısa kanal sınırında (yani 5 nm'nin altındaki düğüm), yarı iletken tek duvarlı CNT'ler, önemli yük taşıyıcı hareketlilikleri ve avantajlı ölçeklendirme özellikleri nedeniyle silikon sonrası dijital mantık açısından araştırılmıştır. Sinaptik devreleri incelemek için CNT transistör modelleri de kullanılmıştır. 

İki Boyutlu Malzemeler 

Geçen on yıl içinde, iki boyutlu nanomalzemelerin temel araştırmaları, pek çok yeni teknolojik uygulamanın kapısını aralamıştır. Sıfır ve tek boyutlu nanomalzemelerle karşılaştırıldığında, iki boyutlu nanomalzemeler, daha fazla cihaz ölçeklendirme yeteneği ve düzlemsel levha teknolojisiyle daha iyi uyumluluk sunar. 2D nanomalzemelerle yapılan ilk nöromorfik işlem çalışmaları, beklenmeyen bazı mekanizmaları gün yüzüne çıkardı ve bu da yeni cihaz tasarımlarını teşvik etti. Örneğin, MX2 türünden tek katmanlı geçiş metal dikalkojenitleri (TMDC'ler) kullanarak üretilen incecik dikey memristörler (sadece 1 nm kalınlığında) düşük bir AÇIK durum direncine (10) sahip olup, 50 GHz'de yüksek frekansta anahtarlama yapabilmektedir. Bu yüksek anahtarlama hızı, tek katmanlı yarıiletkenlerdeki sızıntı akımlarıyla ilgili genel kabulleri sorgulamakta ve nokta hatalarının bu süreçte önemli bir role sahip olabileceğini öne sürmektedir. Benzer çalışmalar, van-der Waals bağları veya aralarına birkaç katmanlı MoS2 yerleştirilmiş grafen katmanları ile yapılan memristörlerin, geleneksel metal oksit memristörlere göre çok daha yüksek sıcaklıklarda (340 °C'ye karşın 200 °C) çalışabildiğini göstermektedir. Yerinde yapılan taramalı transmisyon elektron mikroskop analizleri, bu memristörlerin KAPALI durumda oksijen iyonları ile, AÇIK durumda ise yüksek kükürt boşluk konsantrasyonu ile karakterize edildiğini ortaya koymaktadır.

Nanomateryal Tabanlı Transistörler ve Yarı İletkenler

Transistörler için kullanılan nanomalzemelere olan ilgi yaklaşık 15 yıl önce artmaya başladı. Özellikle tek katmanlı karbon atomlarından oluşan altıgen yapıya sahip karbon nanotüpler bu alanda büyük bir ilgiyle karşılandı. Bu nanotüpler, ortam sıcaklığında bile neredeyse sıfır dirençle elektrik iletebilme yetenekleriyle öne çıktı. Elektronikte bu özelliğiyle dikkat çeken karbon nanotüpler, grafen adında başka bir karbon formuyla da yakından ilgilidir. Grafenin enerji bant aralığının olmaması, onu dijital uygulamalar için ideal olmasa da, bu malzemenin potansiyeli iki boyutlu diğer malzemelerin araştırılmasını teşvik etti.

Yarı iletken nanopartiküller ışığı floresan bir şekilde yansıtabilir. Bu nanopartiküllerin ışığı daha iyi yansıtması için üzerlerine silika kaplama yapılır. Ayrıca, ekstra bir yarı iletken tabakasıyla kaplandığında, bu çekirdek-kabuk yapıdaki nanopartiküllerin floresan özellikleri daha da artar. Kabuğun bileşimi, elektron ve delik çiftlerinin nerede yoğunlaşacağını belirler. Örneğin, CdSe/CdS veya CdSe/ZnS gibi yapıda, kabuk malzemesinin enerji bant genişliği çekirdekten daha yüksek veya daha düşüktür. Bu, elektronların ve deliklerin sadece belirli bölgelerde bulunabileceği anlamına gelir.

Yeni Nesil Nöromorfik Yarı İletkenler

Nöromorfik hesaplama, yeni nesil akıllı cihazlar ve otonom sistemlerin geliştirilmesini hedefler. Bu alanda birçok laboratuvar önemli araştırmalar yürütmektedir. Nöromorfik hesaplama, insan beyninin dış dünyayla olan etkileşimlerini taklit ederek insan benzeri düşünme yetenekleri geliştirmeye çalışan algoritmalara dayanmaktadır.

Bu hesaplamada, doğal öğrenme süreçlerini taklit etmek amacıyla kullanılan sivri uçlu sinir ağları (SNN'ler) bulunmaktadır. SNN'ler, öğrenilen bilgilere zamanla tepki verme yeteneği sayesinde nöromorfik hesaplamada kilit bir rol oynamaktadır. Bu sivri uçlu sinir ağları, geleneksel bilgisayar mimarilerine göre hem enerji hem de performans açısından çok daha verimli olan nöromorfik bilgisayarlarda kullanılır.

Şekil 2: Nöron cihazları: sinirsel arayüzler ve tanımada ortaya çıkan beklentiler.

Nöromorfik Nanomalzemelerin Fırsatları

Beyin fonksiyonlarını düzenlemek için nano ölçekli yöntemlerden kablosuz cihazlara kadar birçok nöromodülasyon tekniği üzerinde çalışılmıştır. Nöromodülasyonda, nöral aktivitenin elektriksel olarak düzenlenmesi yaygındır. Parkinson Hastalığı gibi bazı nörolojik rahatsızlıkların tedavisinde derin beyin stimülasyonu (DBS) oldukça etkilidir. Ancak, bu yöntem invaziv bir müdahale gerektirir ve DBS uygulanan hastaların önemli bir bölümü, cihazla ilgili sorunlar veya enfeksiyonlar nedeniyle ek operasyonlara ihtiyaç duyar.

Diğer yandan, odaklanmış ultrason, transkraniyal manyetik stimülasyon gibi noninvaziv nörostimülasyon yöntemleri geliştirilmiştir. Ancak bu yöntemler, derin beyin bölgelerini hedeflemede DBS kadar etkili değildir. Bu zorlukları aşmak için malzeme biliminin ilerlemesiyle yeni nörostimülasyon yöntemleri önerilmiştir. Nano ve mili ölçekli cihazlar, geleneksel yöntemlere kıyasla daha az invaziv, daha ekonomik ve biyouyumlu olabilir. Bu yazı, bu teknolojilerdeki son gelişmeleri mevcut literatür ışığında ele almaktadır.

Nöromorfik Nanomalzemelerin Karşılaştığı Sorunlar

Nanomateryal temelli nöromorfik cihazların işleyişini ve karşılaştığı spesifik zorlukları bu bölümde ele alıyoruz. Nanomateryallerin boyuta özgü özellikleri genellikle ön plana çıksa da, bu özelliklerin nöromorfik sistemlerdeki rolü tam anlamıyla net değildir. Örneğin, 2 boyutlu memristörlere baktığımızda, değişim oranı büyük ölçüde değişkenlik gösterir ve bazen malzemenin kalınlığına bağlı olarak değişebilir. Ancak hız ve kalınlık arasında doğrudan bir ilişki bulunmamaktadır; çalışma voltajları ise 0,3 V ile 30 V arasında değişebilir. Sinaptik yarıiletkenler genellikle doğal olarak yavaş süreçleri, örneğin yük tutma veya parçacık hareketliliği, avantaj olarak kullanır; bu da reaksiyon sürelerini daha iyi performansla optimize etme amacı olabilir. Ancak, belirli bir süre boyunca sabit kalmaksızın milisaniyeler içerisinde. Nöromorfik sistemlerde cihazların öngörülebilirliği, temel tasarım ilkesiyle çelişen karmaşık etmenler içeriyor. Bu nedenle, cihaz mekaniği tam olarak anlaşılmadan, bu sistemleri başarılı bir şekilde uygulamak zor olabilir. Örnek olarak, kuantum faz kaydıran memristörler veya QD fotonik nörotransmitterlerde sadece belirli bileşen değişiklikleri tam anlamıyla fark edilebilir.

Yapay Sinapslar, Nöronlar ve Ağlar

Nöromorfik bilgisayar donanımları için üç farklı ölçekte gerçek modellemeler öngörülmektedir:

1- Bireysel unsurlar, yani nörotransmitterler ve nöronlar için,

2- Bu sinapslar ve nöronların nasıl organize olduğu için,

3- Öğrenme kuralları ve stratejileri belirlemek için.

Erken dönem nöron çalışmaları, insan beyninin işleyişine dair anlayışımızı derinleştirdi. Özetle, bir nöron, dendritlerden gelen sinaptik sinyalleri toplar. Bu sinyaller belirli bir eşiğe ulaştığında, nöron aksonu üzerinden bir sinyal yollar. Nörotransmitterler, bu sinyalin komşu nöronlara iletilmesine yardımcı olur. Hodgkin-Huxley modeli gibi daha ileri fizyolojik modeller, iyon konsantrasyonlarını da dikkate alarak karmaşık denklemler sunar. Sinirbilimindeki ilerleyen araştırmalar, nöron gruplarının hafıza, düşünce ve davranışlarımızı nasıl şekillendirdiğine dair soyut ilkeleri keşfetti. Bu çalışmalar, yapay sinir ağı mimarileri ve öğrenme kurallarının temellerini atmamıza yardımcı oldu.

Yapay sinir ağlarının (YSA) donanım uygulamaları CMOS'tan önce vardı. Ancak CMOS tabanlı donanım, enerji verimliliği sayesinde hızla yaygınlaştı. Bununla birlikte, sürekli artan hesaplama ihtiyaçları, donanımların revizyonunu gündeme getirdi. Öngörülere göre, 2040 yılında CMOS temelli hesaplamaların enerji ihtiyacı, global enerji üretiminin üzerinde olacak. Bu, enerji verimli alternatiflere ve von Neumann dışı bilgisayar mimarilerine yönelik araştırmaları hızlandırdı.

Bilgisayar mimarilerinde nöromorfik yapılar, nörotransmitterlerin akışlarını birleştirerek çalışır. Bu, hatalı bir kapasitörün düzeltilmesi veya bir nöronun uyarılması gibi işlevleri gerçekleştirmek için kullanılır. Daha verimli nöron modellemeleri, kapasitörlerin çip üzerinde çok yer kaplaması nedeniyle, yarıiletken devrelerle, örneğin Schmitt tetikleyicileri veya amplifikatörlerle gerçekleştirilir. Temelde, bir nöromorfik yapı iki bileşenden oluşur: bir ağırlık tutucu ve bir durum değiştirici. Örneğin, bir sinaptik yarıiletken, elektronların hareketiyle yükü saklayabilir veya serbest bırakabilir, bu da cihazın tepkisini değiştirir.

Sonuç 

Nanomalzemelerin kullanımı ile geliştirilen nanoelektrotlar, kablosuz sinir cihazlarında yenilikçi bir yaklaşım sunmaktadır. Bu teknolojinin potansiyelini ve sınırlamalarını derinlemesine anlamak için daha fazla araştırma yapılması gerekmektedir, zira bu alandaki çalışmalar henüz emekleme aşamasındadır. Toksisite, hücre ve doku seçiciliği ile invaziv olmayan uygulama yöntemleri konusundaki çalışmalar, bu teknolojinin klinik alandaki potansiyelini ortaya koyacaktır. Nanomalzemelerin nöromodülasyon potansiyeli üzerine yapılan araştırmaların büyük bir bölümü laboratuvar ortamında veya bilgisayar simülasyonları üzerinden yapılmıştır.

Bu bağlamda nanomalzemelerin gelecek vaat eden bu alanda kaliteli ve yüksek performansa sahip olması önemlidir. İleri teknoloji nanomateryalleri bugün Nanografi ile keşfedin!

Kaynakça

CMOS Nedir? | ElektrikPort Akademi. (n.d.). Retrieved January 26, 2024, from https://www.elektrikport.com/universite/cmos-nedir-guc-elektronigi-dersleri/11329#ad-image-0

Franklin, A. D. (2015). Nanomaterials in transistors: From high-performance to thin-film applications. Science, 349(6249). https://doi.org/10.1126/SCIENCE.AAB2750/ASSET/6C98D3B5-47CD-47D8-A4EF-923165ED786B/ASSETS/GRAPHIC/349_AAB2750_FA.JPEG

Full article: Nanomaterials in neuromodulation: what is the potential? (n.d.). Retrieved January 26, 2024, from https://www.tandfonline.com/doi/full/10.1080/14737175.2022.2056447

Knoben, R., Alosaimi, F., Dominguez-Paredes, D., Temel, Y., & Jahanshahi, A. (2022). Nanomaterials in neuromodulation: what is the potential? Expert Review of Neurotherapeutics, 22(4), 287–290. https://doi.org/10.1080/14737175.2022.2056447

Neuromorphic Computing and Engineering with AI | Intel®. (n.d.). Retrieved January 26, 2024, from https://www.intel.com/content/www/us/en/research/neuromorphic-computing.html

Neuromorphic Computing and Understanding different types of Neuron Models in AI | by Aahana Teotia | Medium. (n.d.). Retrieved January 26, 2024, from https://medium.com/@aahanaxo/neuromorphic-computing-and-understanding-different-types-of-neuron-models-in-ai-9b8f232688bc

Sangwan, V. K., & Hersam, M. C. (2020). Neuromorphic nanoelectronic materials. Nature Nanotechnology, 15(7), 517–528. https://doi.org/10.1038/S41565-020-0647-Z

Semiconductor Nanoparticles - an overview | ScienceDirect Topics. (n.d.). Retrieved January 26, 2024, from https://www.sciencedirect.com/topics/materials-science/semiconductor-nanoparticles

Van der Waals kuvveti - Vikipedi. (n.d.). Retrieved January 26, 2024, from https://tr.wikipedia.org/wiki/Van_der_Waals_kuvveti

Yapay sinir ağları - Vikipedi. (n.d.). Retrieved January 26, 2024, from https://tr.wikipedia.org/wiki/Yapay_sinir_a%C4%9Flar%C4%B1

Wang, Y., Liu, S., Wang, H., Zhao, Y., & Zhang, X. D. (2022). Neuron devices: emerging prospects in neural interfaces and recognition. Microsystems & Nanoengineering 2022 8:1, 8(1), 1–13. https://doi.org/10.1038/s41378-022-00453-4