Исследователи из Оксфордского университета и Сианьского университета Цзяотун представляют инновационную модель машинного обучения для имитации фазово-переменных материалов в передовых технологиях памяти.

- 'Ученые из Оксфордского и Цзяотунского университетов представляют инновационную модель машинного обучения для имитации фазово-переменных материалов в передовых технологиях памяти.

Понимание материалов с изменением фазы и создание передовых технологий памяти может значительно выиграть от использования компьютерных симуляций. Однако прямые квантово-механические симуляции могут обрабатывать только относительно простые модели с несколькими сотнями или тысячами атомов. Недавно исследователи из Оксфордского университета и китайского университета Сианьянскойяжотун разработали модель машинного обучения, которая может помочь с атомно-масштабной симуляцией этих материалов, точно воспроизводя условия, при которых работают эти устройства.

Модель, представленная в исследовании Нейчер Илектроникс от Оксфордского университета и университета Сианьянскойяжотун, может быстро генерировать симуляции высокой точности, предоставляя пользователям более глубокое понимание работы устройств на основе PCM. Для симуляции различных составов германия-антимон-теллурия (типичные материалы с изменением фазы) при реалистических настройках устройства они предлагают модель потенциала на основе машинного обучения, обученную с использованием квантово-механических данных. Благодаря скорости нашей модели возможны атомистические симуляции многочисленных тепловых циклов и чувствительных операций для нейроинспирируемого вычисления, особенно накопительного СЕТ и итеративного РЕСЕТ. Наш метод машинного обучения непосредственно описывает технологически значимые процессы в устройствах памяти на основе материалов с изменением фазы, как продемонстрировано моделью на размере устройства (40 20 20 нм3), состоящей почти из полумиллиона атомов.

Исследователи демонстрируют, что благодаря моделированию, осуществляемому с помощью машинного обучения, полностью атомистические симуляции сдвигов фаз вдоль составной линии GST возможны при реальных геометрических и условиях устройства. Межатомные потенциалы подгоняются в рамках кадра GAP с использованием метода машинного обучения для различных стадий и составов GST, а полученная база данных-эталон постепенно улучшается. Атомистические процессы и механизмы в PCM на десятинанометровой длине масштаба раскрываются с помощью симуляций накопительного СЕТ и итеративных РЕСЕТ-процессов в условиях, соответствующих реальной работе, таких как неизотермическое нагревание. Благодаря этому методу возможно моделирование кросс-пойнтового устройства памяти в модели с более чем 500 000 атомов благодаря его увеличенной скорости и точности.

Команда создала новый набор данных с помощью размеченных квантово-механических данных для обучения своей модели. После создания первой версии модели они постепенно начали подавать ей данные. Модель, разработанная этой группой исследователей, показала отличные результаты на предварительных испытаниях, позволяя точно моделировать атомы в PCM на протяжении множества тепловых циклов и при выполнении сложных функций симулированных устройств. Это указывает на возможность использования ML для атомно-масштабной симуляции устройств на основе PCM.

С использованием модели машинного обучения (ML) мы значительно улучшили время и точность симуляции PCM GST, позволяя проводить истинно атомистические симуляции устройств памяти с реалистичной формой устройства и условиями программирования. Поскольку ML-управляемые симуляции масштабируются линейно с размером модельной системы, они могут быть легко расширены на более крупные и сложные геометрии устройств и на большие временные интервалы с использованием все более мощных вычислительных ресурсов. Мы предполагаем, что наша ML-модель позволит проводить отбор ядер и наблюдение на атомном уровне за созданием зернограниц в крупных моделях GST в изотермической среде или с градиентом температуры, а также моделирование плавления и развития кристаллов. В результате, с помощью ML-управляемых симуляций в сочетании с передовыми методами отбора, будет возможно определить барьер ядер и критический размер ядра для GST.

Влияние интерфейса на смежные электроды и диэлектрические слои является важной темой для проектирования устройств, которую можно изучить в дальнейших исследованиях. Например, было отмечено, что окружение ячейки PCM стенками из окиси алюминия может значительно снизить потерю тепла; однако эффект этих атомно-масштабных стенок на тепловые вибрации на интерфейсе и способность фазового перехода PCMs не может быть изучен с помощью только симуляций методом конечных элементов. Этот эффект можно исследовать, используя атомистические ML-модели с расширенными базами данных-эталонами для предоставления прогнозов минимальной энергии РЕСЕТ, времени кристаллизации для различных геометрий устройств и микроскопических механизмов сбоя для улучшения проектирования архитектур. Наши результаты демонстрируют потенциальную ценность ML-управляемых симуляций в создании фаз PCM и устройств на основе PCM.