Dispositivi che si accendono subito, con memorie RAM sempre attive anche senza alimentazione. Una ricerca dell’Istituto officina dei materiali del Cnr, dell’Università di Liegi e del Cea-Leti, pubblicata su Science Advances, apre a questa prospettiva.
Studiare metodi efficaci per la costruzione di memorie cosiddette “non volatili”, utili per produrre computer o telefonini dall’accensione rapida. A differenza delle memorie RAM volatili, che funzionano solamente se alimentate e si cancellano quando i dispositivi vengono spenti, quelle non volatili sono capaci di mantenere l’informazione anche in assenza di alimentazione, rendendo pressoché immediata la procedura di accensione.
La tecnologia del vetro per computer e telefoni più veloci
L’Istituto officina dei materiali del Consiglio nazionale delle ricerche (Cnr-Iom), in collaborazione con Cea-Leti e Università di Liegi, sta studiando la composizione chimico-atomica dei materiali che ne costituiscono i due elementi: l’elemento di selezione e la cella di stoccaggio (basata su materiali a cambiamento di fase, PCM). L’obiettivo è trovare il materiale da usare per produrre elementi di selezione più affidabili. I risultati sono stati pubblicati su Science Advances.
“Il selettore è una sorta di interruttore che permette di accedere all’informazione conservata nell’elemento di stoccaggio ed è composto di un materiale vetroso (Germanio-Selenio, con altri elementi) al quale si può applicare una tensione. Per un fenomeno ancora non ben compreso, chiamato Ovonic Threshold Switching (OTS), quando la tensione è alta, il vetro conduce, mentre quando è bassa isola. Così, quando vogliamo recuperare le informazioni, basta alzare la tensione e il selettore, divenuto conduttore, permette di leggere il contenuto dell’elemento di stoccaggio”, spiega Francesco d’Acapito del Cnr-Iom.
Il gruppo del Cea-Leti ha trovato la composizione ottimale del materiale. La descrizione strutturale è servita ai teorici dell’università di Liegi per costruire un modello capace di spiegare il fenomeno di conduzione OTS in questi materiali vetrosi. Un’importante prospettiva per questa classe di memorie PCM è l’impiego in reti neuromorfe con applicazioni nel campo del machine learning.
