La comprensión de los materiales de cambio de fase y la creación de tecnologías de memoria de vanguardia pueden beneficiarse enormemente del uso de simulaciones por computadora. Sin embargo, las simulaciones mecánicas cuánticas directas sólo pueden manejar modelos relativamente simples con cientos o miles de átomos como máximo. Recientemente, investigadores de la Universidad de Oxford y la Universidad Xi’an Jiaotong en China desarrollaron un modelo de aprendizaje automático que podría ayudar con la simulación a escala atómica de estos materiales, recreando con precisión las condiciones bajo las cuales funcionan estos dispositivos.
El modelo presentado en el estudio de Nature Electronics realizado por la Universidad de Oxford y la Universidad Xi’an Jiaotong puede generar rápidamente simulaciones de alta fidelidad, proporcionando a los usuarios una comprensión más profunda del funcionamiento de los dispositivos basados en PCM. Para simular una variedad de composiciones de germanio-antimonio-telurio (materiales típicos de cambio de fase) en configuraciones de dispositivos realistas, proponen un modelo potencial basado en aprendizaje automático que se entrena utilizando datos de mecánica cuántica. La velocidad de nuestro modelo permite simulaciones atomísticas de numerosos ciclos de calor y operaciones sensibles para computación neuroinspirada, particularmente SET acumulativo y RESET iterativo. Nuestro método de aprendizaje automático describe directamente procesos tecnológicamente relevantes en dispositivos de memoria de materiales con cambio de fase, como lo demuestra un modelo del tamaño del dispositivo (40 20 20 nm3) que comprende casi medio millón de átomos.
Los investigadores demuestran que gracias al modelado basado en aprendizaje automático ML, son posibles simulaciones totalmente atomísticas de cambios de fase a lo largo de la línea de composición GST en geometrías y condiciones reales del dispositivo. Los potenciales interatómicos se ajustan dentro del marco GAP utilizando ML para varias etapas y composiciones de GST, y luego la base de datos de referencia resultante se mejora de forma iterativa. Los procesos y mecanismos atomísticos en los PCM en la escala de longitud de diez nanómetros se revelan mediante simulaciones de procesos SET acumulativos y RESET iterativos en condiciones pertinentes para el funcionamiento real, como el calentamiento no isotérmico. Este método permite modelar un dispositivo de memoria de puntos de cruce en un modelo con más de 500.000 átomos, gracias a su mayor velocidad y precisión.
El equipo creó un nuevo conjunto de datos con datos de mecánica cuántica etiquetados para entrenar su modelo. Después de construir una versión inicial del modelo, gradualmente comenzaron a alimentarlo con datos. El modelo desarrollado por este grupo de investigadores se ha mostrado muy prometedor en pruebas preliminares, permitiendo el modelado preciso de átomos en PCM a través de numerosos ciclos de calor y mientras dispositivos simulados realizan funciones delicadas. Esto indica la viabilidad de utilizar ML para la simulación de dispositivos basados en PCM a escala atómica.
Utilizando un modelo de aprendizaje automático (ML), mejoramos significativamente el tiempo y la precisión de la simulación PCM GST, lo que permite simulaciones verdaderamente atomísticas de dispositivos de memoria con formas de dispositivo y condiciones de programación realistas. Dado que las simulaciones basadas en ML escalan linealmente con el tamaño del sistema modelo, pueden extenderse fácilmente a geometrías de dispositivos más grandes y complicadas y en escalas de tiempo más largas utilizando recursos informáticos cada vez más potentes. Anticipamos que nuestro modelo ML permitirá el muestreo de nucleación y la observación a escala atómica de la creación de límites de grano en grandes modelos de GST en entornos isotérmicos o con un gradiente de temperatura, además de simular la fusión y el desarrollo de cristales. Como resultado, la barrera de nucleación y el tamaño crítico del núcleo para GST pueden determinarse mediante simulaciones basadas en ML junto con enfoques de muestreo de última generación.
Los efectos de interfaz en electrodos adyacentes y capas dieléctricas son un tema importante para la ingeniería de dispositivos que podría explorarse en futuras investigaciones. Por ejemplo, se ha informado que encerrar la celda PCM con paredes de óxido de aluminio puede reducir significativamente la pérdida de calor; sin embargo, el efecto de estas paredes a escala atómica sobre las vibraciones térmicas en la interfaz y la capacidad de transición de fase de los PCM no se puede estudiar utilizando únicamente simulaciones del método de elementos finitos. Es posible investigar este efecto empleando modelos atomísticos de ML con bases de datos de referencia extendidas para proporcionar predicciones de energía RESET mínima, tiempo de cristalización para diversas geometrías de dispositivos y mecanismos de falla microscópicos para mejorar el diseño de arquitecturas. Nuestros resultados demuestran el valor potencial de las simulaciones basadas en ML en la creación de fases PCM y dispositivos basados en PCM.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 32k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
también estamos en Telegrama y WhatsApp.
Dhanshree Shenwai es ingeniero en informática y tiene una buena experiencia en empresas de tecnología financiera que cubren el ámbito financiero, tarjetas y pagos y banca con un gran interés en las aplicaciones de IA. Le entusiasma explorar nuevas tecnologías y avances en el mundo en evolución de hoy que facilita la vida de todos.