اعتماد دوباره به ترانزیستورهای ژرمانیومی
محققان دانشگاه توکیو برای بهبود مقاومت اتصال و بالا بردن کارایی در ترانزیستورهای ژرمانیوم از صفحه‌های کریستالی مناسب و فلز ژرمانید استفاده کرده‌اند. الکترون‌ها و حفره‌های ژرمانیوم پویایی بالایی داشته، اما مقاومت آن‌ها و نشت در زمان خاموشی کارایی آن‌ها را کم کرده است. یافته‌های محققان ژاپنی نشان می‌دهد ارتفاع حائل شاتکی در این ترانزیستورها قابل کنترل است بنابراین می توان مقاومت ترانزیستور ژرمانیوم (Ge n-MISFET) را به طور قابل ملاحظه‌ای کاهش داد.برای مطالعه بیشتر می‌توانید به اینجا مراجعه کنید.
اضافه کردن ناخالصی سیلیکون به لیزرهای نیترید گالیوم (GaN) با کاواک عمودی
دوپینگ سیلیکون در لیزرهای انتشار سطحی با کاواک عمودی با پایه نیترید گالیوم می‌توانند پیچیدگی لیزرها را کاهش داده و کارایی لیزرهای آبی رنگ را بالا ببرند. از این لیزرها می‌توان در کاربردهای مختلفی مانند نمایشگرهای اسکن شبکیه‌ای، چراغ‌های جلو تطبیقی و سیستم‌های ارتباط سریع نوری استفاده کرد.
این لیزرها شامل منعکس کننده براگ چند لایه متشکل از دو ماده هستند، موادی با ضرایب شکست مختلف که با آینه‌های با طول موج انتخابی در کنار یکدیگر بازتاب خوبی ایجاد می‌کنند. GaN و AllnN دارای ویژگی‌های شکست مناسب برای بهبود بازتاب هستند اما به دلیل عایق بودن نمی‌توانند انرژی را به محل اتصال انتشار کاواک منتقل کنند. باید ساختارهای رسانایی به صورت جداگانه اضافه شود تا بتوان میزان انرژی کرفته شده در کاواک‌ها را کاهش داد، با این کار کمی پیچیدگی لیزر افزایش می‌یابد که قابل چشم پوشی است. برای مطالعه بیشتر به اینجا مراجعه کنید.
آموزش ابر رایانه‌ها برای یادگیری توسط IBM و Nvidia
IBM و Nvidia بر روی یک ابزار یادگیری عمیق با یکدیگر همکاری می‌کنند، تا به آموزش رایانه‌ها برای فکر کردن و یادگیری به روش انسان‌ها با سرعت بیشتر کمک کنند. در اینجا منظور از یادگیری عمیق، پردازش قسمت‌های وسیعی از داده‌های موجود و درجه‌بندی آن‌ها بر اساس ویژگی داده‌ها است. تشخیص چهره برای جلوگیری از تقلب در بانکداری، خودروهای بدون راننده از جمله کارایی های این یادگیری است. این کار نیازمند سرورهای عظیمی از اطلاعات و مجموعه ابزارهای نرم‌افزاری است تا بتوانند با سرعت بیشتری داده‌ها را پردازش کنند. برای مطالعه بیشتر می‌توانید به اینجا مراجعه کنید.
