東京大ら、ひずみで反強磁性体の磁気状態を制御:MRAMの高速化と高密度化を可能に
東京大学は、ブリティッシュコロンビア大学などからなる国際共同研究グループと共同で、反強磁性体「Mn▽▽3▽▽Sn」の磁気状態を、結晶のひずみによって制御することに成功した。開発した制御技術を用いることで、MRAMのさらなる高速化と高密度化を実現することが可能になるという。
ひずみによる異常ホール信号を測定できる装置を開発
東京大学の研究グループは2022年8月、ブリティッシュコロンビア大学などからなる国際共同研究グループと共同で、反強磁性体「Mn3Sn」の磁気状態を、結晶のひずみによって制御することに成功したと発表した。開発した制御技術を用いることで、MRAMのさらなる高速化と高密度化を実現することが可能になるという。
反強磁性体は、スピンの応答速度が強磁性体に比べ100〜1000倍も速く、磁化も極めて小さいため素子化した時に漏れ磁場の影響を受けない、などの特性がある。一方で、反強磁性体への情報の書き込み(信号の検出や制御)が難しい、という課題もあった。
研究グループはMn3Snに着目し、これまでに「異常ホール効果」や「異常ネルンスト効果」「磁気光学カー効果」といった読み出し信号を、室温で検出できることを実証してきた。それは、磁極に類似した「拡張磁気八極子偏極」をMn3Snが持っているからだという。
読み出し信号を制御する方法としてこれまでは、磁場や電流が用いられていた。これに対し研究グループは、「ひずみ」に着目した。ひずみによる異常ホール信号を測定するために、「抵抗測定用圧電ひずみ測定ステージ」を新たに開発した。この装置は、Mn3Sn単結晶試料に対し、「引張」と「圧縮」の方向に、一軸性のひずみを高い精度で、広範囲に加えることができる。
この結果、室温においてMn3Snが「ピエゾ磁気効果」を示すことが分かった。そして、0.1%程度の極めて小さいひずみでありながら、異常ホール効果によって得られるホール信号を制御することに成功した。ホール信号の変化は、その大きさだけでなく符号の反転も観測できたという。このことから、ノンコリニア(非共線)反強磁性体のMn3Snでは、ひずみによって信号を高い効率で制御できることが分かった。
研究グループは、開発したひずみによる異常ホール効果の制御手法について、「これまで観測することができなかったワイル半金属状態に由来する、新しい現象の開拓につながる」とみている。
今回の研究成果は、東京大学大学院理学系研究科の中辻知教授、ムハンマド イクラス特任研究員、肥後友也特任准教授の研究グループと、ブリティッシュコロンビア大学(カナダ)のサヤック ダスグプタ特任研究員、コーネル大学(米国)のブラッド ラムシャウ助教、フローリアン セイス大学院生の研究グループ、中央大学の橘高俊一郎准教授、ジョンズホプキンス大学(米国)のオレグ チェルニショフ教授および、バーミンガム大学(英国)のクリフォード ヒックス グループリーダーらによるものである。
Copyright © ITmedia, Inc. All Rights Reserved.
関連記事
- 光に対し安定性と分解性を両立した新材料を開発
東京大学は、光に対する長期安定性を維持しつつ、光と酸を同時に作用させたときだけ分解する「高分子材料」を開発したと発表した。 - 全頂点にフッ素原子が結合した立方体型分子を合成
東京大学とAGCの研究グループは、広島大学および京都大学との共同研究により、全ての頂点にフッ素原子が結合した立方体型分子「全フッ素化キュバン」の合成に成功し、その内部空間に電子が閉じこめられた状態を初めて観測した。 - 全固体リチウム電池の界面抵抗を2800分の1に
東京工業大学と東京大学の研究グループは、全固体リチウム電池において硫化物固体電解質と電極材料の界面に化学反応層が形成されると、極めて高い界面抵抗が生じることを解明した。この界面に緩衝層を導入すれば、界面抵抗は2800分の1に低減され、電池は安定動作することを実証した。 - 「反強磁性体」で垂直2値状態の電流制御に成功
東京大学は理化学研究所などと共同で、反強磁性体における垂直2値状態を電流制御することに成功した。磁気抵抗メモリ(MRAM)のさらなる高速化や低消費電力化を可能にする技術だという。 - 安価な製造法で高品質なAlGaNーHEMTの試作に成功
東京大学生産技術研究所教授の藤岡洋氏らは2022年7月、AlGaN(窒化アルミニウムガリウム)トランジスタを安価に製造できる手法を確立するとともに、同トランジスタを試作し実用性があること確認したと発表した。 - FeFETによる機械学習、音声認識の精度は95.9%
東京大学は、強誘電体トランジスタ(FeFET)を用いた「リザバーコンピューティング」と呼ばれる機械学習方式を開発し、高い精度で音声認識を行うことに成功した。採用したFeEFTは現行の製造プロセスと親和性が高く、LSIの大規模化も比較的容易とみている。