牛津大学和西安交通大学的研究人员引入了一种创新的机器学习模型，用于模拟先进存储技术中的相变材料
牛津大学和西安交通大学研究人员引入创新机器学习模型模拟先进存储技术中的相变材料
理解相变材料和创建先进的存储技术可以从使用计算机模拟中获益。然而，直接的量子力学模拟只能处理最多由数百到数千个原子组成的相对简单的模型。最近，英国牛津大学和中国西安交通大学的研究人员开发了一种机器学习模型，可能有助于对这些材料进行原子尺度模拟，准确地再现这些设备的运行条件。
牛津大学和西安交通大学在《自然电子学》研究中提出的模型能够快速生成高保真度的模拟，为用户提供对基于相变材料的设备操作的更深入理解。为了在真实的设备设置下模拟各种锗锑碲组分（典型的相变材料），他们提出了一种基于机器学习的势模型，该模型使用量子力学数据进行训练。我们的模型速度使得可以对多种多余色脑计算的热周期和敏感操作进行原子级模拟，特别是累积SET和迭代RESET。我们的机器学习方法直接描述相变材料存储器设备中的技术相关过程，正如一个包含近50万个原子的设备尺寸（40 20 20 nm³）的模型所示。
研究人员证明，借助机器学习驱动的建模，可以在实际设备几何和条件下完全原子级地模拟GST组成线上的相移。通过使用机器学习在GAP框架中对各种GST阶段和组成进行拟合，然后迭代改进得到的参考数据库。通过累积SET和迭代RESET过程的模拟，揭示了百万分之一像素计两层介质。模拟计算了与真实操作相关的非等温加热等条件下十纳米尺度上的PCM中的原子过程和机制。该方法通过增加速度和精度，使得模型可以对具有50万个以上原子的交叉点存储设备进行建模。
该团队为训练其模型创建了一个带有标记量子力学数据的新数据集。在构建模型的初始版本后，他们逐渐开始输入数据。由这组研究人员开发的模型在初步测试中显示出了巨大的潜力，可以精确建模PCMs中的原子在多个热周期中的运动，以及模拟设备执行精细功能。这表明利用机器学习进行原子尺度PCM设备模拟的可行性。
借助机器学习（ML）模型，我们显著提高了PCM GST模拟的时间和准确度，使我们能够对具有真实设备形状和编程条件的存储器设备进行真正的原子级模拟。由于ML驱动的模拟与模型系统的大小呈线性比例关系，随着日益强大的计算资源，可以轻松地将其扩展到更大更复杂的设备几何体和更长的时间尺度上。我们预计我们的ML模型将能够通过与最先进的采样方法结合进行ML驱动的模拟，从而确定GST的成核能垒和临界核大小。
界面效应对相邻电极和介电层是设备工程的重要课题，可以在未来的研究中探讨。例如，据报道，用氧化铝墙围住PCM单元可以显著降低热损耗；然而，仅使用有限元法模拟无法研究这些原子尺度墙壁对界面热振动和PCMs相变能力的影响。可以通过使用具有扩展参考数据库的原子级ML模型，对多样的设备几何、微观故障机制进行预测，来研究这种效应，从而改进架构设计。我们的结果展示了ML驱动的模拟在创建PCM相位和PCM基础设备方面的潜在价值。
