Ricercatori dell’Università di Oxford e dell’Università di Xi’an Jiaotong presentano un innovativo modello di apprendimento automatico per la simulazione dei materiali a cambiamento di fase nelle tecnologie di memoria avanzate

Ricerca congiunta tra l'Università di Oxford e l'Università di Xi'an Jiaotong un nuovo modello di apprendimento automatico per simulare materiali a fase mutabile nelle tecnologie di memoria avanzate

La comprensione dei materiali a cambiamento di fase e la creazione di tecnologie di memoria all’avanguardia possono beneficiare notevolmente dall’utilizzo di simulazioni al computer. Tuttavia, le simulazioni dirette di tipo quantomeccanico possono gestire solo modelli relativamente semplici con al massimo alcuni centinaia o migliaia di atomi. Recentemente, ricercatori dell’Università di Oxford e dell’Università di Xi’an Jiaotong in Cina hanno sviluppato un modello di apprendimento automatico che potrebbe assistere nella simulazione su scala atomica di questi materiali, ricreando con precisione le condizioni in cui questi dispositivi funzionano.

Il modello presentato nello studio Nature Electronics dell’Università di Oxford e dell’Università di Xi’an Jiaotong può generare rapidamente simulazioni ad alta fedeltà, fornendo agli utenti una comprensione più approfondita del funzionamento dei dispositivi basati su materiali a cambiamento di fase. Per simulare una varietà di composizioni di germanio-antimonio-tellurio (materiali tipici a cambiamento di fase) in impostazioni realistiche del dispositivo, propongono un modello di potenziale basato sull’apprendimento automatico che viene addestrato utilizzando dati quantomeccanici. La velocità del nostro modello consente di effettuare simulazioni atomiche di numerosi cicli termici e operazioni sensibili per il calcolo neuro-ismpirato, in particolare SET cumulativo e RESET iterativo. Il nostro metodo di apprendimento automatico descrive direttamente i processi tecnologicamente rilevanti nei dispositivi di memoria basati su materiali a cambiamento di fase, come dimostrato da un modello sulla dimensione del dispositivo (40 20 20 nm3) che comprende quasi mezzo milione di atomi.

I ricercatori dimostrano che grazie alla modellazione basata sull’apprendimento automatico, sono possibili simulazioni completamente atomiche delle transizioni di fase lungo la linea compositiva GST in geometrie e condizioni del dispositivo reali. I potenziali interatomici vengono adattati all’interno del framework GAP utilizzando l’apprendimento automatico per varie fasi GST e composizioni, e il database di riferimento risultante viene quindi migliorato iterativamente. I processi e i meccanismi atomici nei PCM su scala lunga dieci nanometri vengono rivelati mediante simulazioni di processi SET cumulativi e RESET iterativi in condizioni pertinenti all’operazione reale, come il riscaldamento non isotermico. Questo metodo consente la modellazione di un dispositivo di memoria a croce in un modello con più di 500.000 atomi, grazie alla sua velocità e precisione aumentate.

• Ricercatore di Google Quantum AI Realizza Una Svolta nella Gestione delle Perdite per la Correzione degli Errori Quantistici Scalabili
• Questa newsletter sull’IA è tutto ciò che ti serve #73
• La mia seconda settimana della #30DayMapChallenge

Il team ha creato un nuovo set di dati con dati quantomeccanici etichettati per addestrare il proprio modello. Dopo aver costruito una versione iniziale del modello, hanno iniziato progressivamente a fornire dati ad esso. Il modello sviluppato da questo gruppo di ricercatori ha mostrato grandi promesse nei test preliminari, consentendo la modellazione precisa degli atomi nei PCM attraverso numerosi cicli termici e durante le funzioni delicate simulate dei dispositivi. Ciò indica la fattibilità dell’utilizzo dell’apprendimento automatico per la simulazione dei dispositivi basati su materiali a cambiamento di fase su scala atomica.

Utilizzando un modello di apprendimento automatico (ML), abbiamo notevolmente migliorato il tempo e l’accuratezza della simulazione del PCM GST, consentendo simulazioni veramente atomiche dei dispositivi di memoria con forme realistiche del dispositivo e condizioni di programmazione. Poiché le simulazioni basate sull’apprendimento automatico scalano linearmente con la dimensione del sistema del modello, possono essere facilmente estese a geometrie di dispositivi più grandi e complessi e su tempi più lunghi utilizzando risorse di calcolo sempre più potenti. Prevediamo che il nostro modello di apprendimento automatico consentirà di eseguire il campionamento delle nucleazioni e l’osservazione su scala atomica della creazione dei bordi dei grani in modelli di grandi dimensioni di GST in impostazioni isotermiche o con un gradiente di temperatura, oltre a simulare la fusione e lo sviluppo del cristallo. Pertanto, la barriera di nucleazione e la dimensione dei nuclei critici per il GST potrebbero essere determinabili tramite simulazioni guidate dall’apprendimento automatico in combinazione con approcci di campionamento all’avanguardia.

Gli effetti di interfaccia su elettrodi adiacenti e strati dielettrici sono un argomento importante per l’ingegneria dei dispositivi che potrebbe essere esplorato in una futura ricerca. Ad esempio, è stato riportato che racchiudere la cella di PCM con pareti di ossido di alluminio può ridurre significativamente le perdite di calore; tuttavia, l’effetto di queste pareti atomiche sulla vibrazione termica all’interfaccia e sulla capacità di transizione di fase dei PCM non può essere studiato utilizzando solo simulazioni del metodo degli elementi finiti. È possibile indagare questo effetto utilizzando modelli automatici atomici con database di riferimento estesi per fornire previsioni di energia RESET minima, tempo di cristallizzazione per varie geometrie di dispositivi e meccanismi di guasti microscopici per migliorare la progettazione delle architetture. I nostri risultati dimostrano il potenziale valore delle simulazioni guidate dall’apprendimento automatico nella creazione di fasi PCM e dispositivi basati su PCM.