Un outil basé sur l’apprentissage automatique pour modéliser les matériaux de mémoire à changement de section

Les simulations informatiques peuvent contribuer de manière significative à l’étude de nouveaux matériaux prometteurs pour des packages technologiques. Ces matériaux comprennent les matériaux dits à changement de section (PCM), qui libèrent ou absorbent de l’énergie thermique lors de l. a. fusion et de l. a. solidification, et sont prometteurs pour le développement de composants de mémoire.

Des chercheurs de l’Université d’Oxford et de l’Université Xi’an Jiaotong en Chine ont récemment développé un modèle d’apprentissage automatique qui peut aider à simuler ces matériaux au niveau atomique, reproduisant de manière réaliste les stipulations dans lesquelles les appareils fonctionnent. Leur modèle, présenté dans un article publié dans Electronique naturellepeut produire des simulations détaillées à grande vitesse, aidant ainsi les utilisateurs à mieux comprendre les processus se déroulant dans les appareils basés sur les PCM.

“Notre article décrit une approche de simulation informatique pour modéliser les PCM, qui sont utilisés pour stocker et traiter des données numériques”, a déclaré Volker Derringer, l’un des chercheurs qui ont mené l’étude, à Tech Xplore. « Les simulations de ce kind, appelées dynamiques moléculaires (MD), sont généralement utilisées pour décrire quelques centaines d’atomes environ, et ces simulations à petite échelle ont déjà été très utiles dans l. a. communauté PCM.

« Nous exploitons l. a. puissance des méthodes d’apprentissage automatique atomique (ML) pour aller beaucoup plus loin, en montrant remark nous pouvons atteindre l’échelle de longueur d’appareils réels, tout en décrivant tous les atomes individuels du système avec une précision related à celle trouvée dans l’informatique quantique. mécanique.”

Dieringer et ses collaborateurs ont appelé les simulations permises par leur modèle une modélisation atomique à grande échelle. En effet, il s’agit de l. a. première technologie succesful de modéliser plus d’un demi-million d’atomes à l’intérieur de dispositifs de mémoire dans des stipulations de fonctionnement réelles.

Les calculs sous-jacents au modèle d’apprentissage automatique ont été effectués par Yuexing Zhou, un doctorant de dernière année qui fait partie du laboratoire de recherche Derringer à Oxford. Tout en complétant sa maîtrise, Zhu a collaboré étroitement avec Wei à l’Université Xi’an Jiaotong, et il l’a également fait tout en menant cette étude.

“Nous ne sommes pas les premiers auteurs à décrire les capacités d’apprentissage automatique des PCM – en fait, les PCM ont été l’un des premiers cas d’software d’une classe populaire de capacités de réseau neuronal, avec un article fondateur publié par le groupe de Marco Bernasconi en Italie”, Dirringer En effet.” “Il existe également des travaux de collègues au Royaume-Uni sur l. a. description du most important composé ternaire, Ge₂Biennale de Sharjah₂T₅“.

Comparé à d’autres modèles présentés dans des études précédentes, le modèle d’apprentissage automatique développé par Zhu, Derringer et leurs collaborateurs a été formé sur un ensemble plus diversifié de composés, en particulier toutes les lignes dites quasi-binaires entre GeTe et Sb.₂T₃. En conséquence, leur modèle décrit un huge éventail de matériaux qui pourraient intéresser les chercheurs étudiant les PCM.

“Ces travaux fournissent une preuve importante du idea selon lequel un nouveau kind de simulation – à l’échelle complète du dispositif – est désormais imaginable pour les mémoires à changement de section”, a déclaré Derringer. « Il démontre les packages des capacités d’apprentissage automatique dans différents scénarios de plus en plus difficiles : l. a. croissance de plusieurs grains cristallins (c’est-à-dire les « grains numériques »), le chauffage dit non isotherme d’une grande cellule et un exemple d’software de champ électrique – tous ces issues sont pertinents pour une compréhension complète du processus « réel ». » « Pour les appareils basés sur PCM. »

Les chercheurs ont formé leur modèle sur un nouvel ensemble de données qu’ils avaient compilé, qui comprenait des données de mécanique quantique. Après avoir développé une première model du modèle, ils ont progressivement commencé à l’alimenter en données.

“Le résultat de ce processus itératif est constitué de capacités interatomiques basées sur l’apprentissage automatique. Ces varieties de capacités étaient des outils plutôt spécialisés il y a quelques années, mais sont maintenant beaucoup plus largement appliqués”, a déclaré Derringer. “L’avancée clé de cet article est le développement d’un ensemble de données qui” alimente “un modèle d’apprentissage automatique, soigneusement construit pour représenter, par exemple, les changements structurels au niveau atomique lors de l. a. cristallisation et de l. a. croissance des PCM.”

Lors des premiers exams, le modèle créé par cette équipe de chercheurs s’est révélé très prometteur, permettant une modélisation détaillée des atomes dans les PCM sur plusieurs cycles thermiques pendant que les simulateurs effectuaient des opérations précises. Cela démontre l. a. faisabilité de l’utilisation de l’apprentissage automatique pour simuler des dispositifs entiers basés sur des PCM au niveau atomique.

“Nous avons pris grand soin de valider le modèle (ce qui est particulièrement vital pour ses capacités d’apprentissage automatique) et nous encourageons les autres à l’essayer également : les fichiers de paramètres et autres données sont mis à l. a. disposition de l. a. communauté”, a déclaré Derringer. “J’espère que ces travaux contribueront à faire progresser le rôle vital de l. a. théorie et de l. a. simulation dans le domaine de l. a. recherche PCM, et contribueront à terme à créer des modèles de plus en plus réalistes de ces matériaux et dispositifs basés sur eux.”

L’ensemble de données et les fichiers de paramètres utilisés par Zhou, Deringer et leurs collègues sont open supply et accessibles sur Zenodo, de sorte que d’autres équipes pourraient bientôt les utiliser pour former leurs propres tactics d’apprentissage automatique. À l’avenir, leur modèle pourrait être utile aux scientifiques et ingénieurs des matériaux du monde entier, les aidant à comprendre et à concevoir des dispositifs de mémoire basés sur PCM.

“L’une des prochaines étapes clés sera d’étendre ces modèles d’apprentissage automatique pour décrire d’autres composants pertinents des dispositifs de mémoire, par exemple les matériaux de commutation à seuil ovale”, a ajouté Derringer. “L’espoir à lengthy terme est de fournir une” boîte à outils “d’ensembles de données et de modèles d’apprentissage automatique de haute qualité que les membres de l. a. communauté peuvent utiliser essentiellement dans le trade. Notre article actuel montre des simulations sur une échelle de longueur identique à celle des appareils réels, mais il Il y a une autre voie et le défi demeure. L. a. grande contrainte est l’échelle de temps, c’est pourquoi nous travaillons également dur pour rendre les simulations basées sur l’apprentissage automatique plus rapides.

© 2023 Internet de l. a. science