三維相變存儲器是目前最有競争力的新型存儲技術之一，該技術可以實現存儲容量和擦寫速度的雙重突破，滿足信息量爆發增長對存儲器的性能需求。三維相變存儲器主要由存儲單元（Memory）與選通單元（Selector）集成在一起（見圖1），其中存儲單元由硫系相變材料Ge-Sb-Te組成，而選通單元則采用雙向阈值轉換（Ovonic Threshold Switching,OTS）器件來取代以往體積龐大且工藝繁瑣的三端晶體管。OTS器件本質是一種易失性的非線性阻變器件，即在阈值轉換電壓下能突然由高阻态轉變成低阻态，從而産生較大的電流來驅動相變存儲單元，而一旦偏置電壓移除其又能回到高阻态，防止漏電流的通過。 經過多年的研究與改進，相變存儲材料的研發已經趨于成熟，反而OTS材料逐漸成為了限制三維相變存儲器産業化的瓶頸。
為了能實現國産存儲器的快速發展，需要設計出速度更快、壽命更長、驅動電流更高的OTS材料，但是科學家對于OTS的形成機理仍然缺乏足夠的認識。目前，研究者普遍認為OTS阈值轉換是由于電場驅使缺陷态上的電子激發至淺能級而産生的導電通道，而對于缺陷态的産生機理仍然有較大的争議，導緻了OTS材料的設計和研發較為緩慢。我們知道，理解材料機理的最佳方法是采用第一性原理對原子和電子結構進行模拟，對于一般的具有對稱性的晶體結構，該方法都行之有效。然而，OTS材料是非晶硫系玻璃，其結構和缺陷态的産生都具有随機性，模拟該材料的缺陷态需要建立成百上千個體積較大的模型，且每個超胞模型電子結構的精确計算都需要耗費極多的超級計算機機時，這些難點使科學家對其機理的研究成為了一個幾乎不可能的任務。6774澳门永利缪向水存儲器研究團隊巧妙地避開了這個大規模長時間的第一性原理模拟，利用人工智能機器學習方法來研究OTS材料的缺陷态，不僅可以揭示其内在機理，而且可以指導設計新的高性能材料。
圖1.雙層結構的三維相變存儲器示意圖，由存儲單元和選通單元構成
研究團隊利用第一性原理計算建立了數百個非晶态GeSe材料的模型，由于缺陷态具有随機性，從中選取約50個具有缺陷态的模型，且選擇了共1000個原子作為樣本，并提取了短程和中程範圍的結構特征來訓練神經網絡（見圖2）。這些結構特征包括鍵長、鍵角、配位數、同極鍵、序參數q和Peierls-like扭曲分布。通過組合這些局部結構特征作為輸入數據集，利用多層感知器（MLP）來進行有監督學習。MLP由輸入層、隐藏層和輸出層三部分組成，其中輸入層由特征數據集與标簽數據組成。每個隐藏層中的神經元将前一層的值轉換為加權線性和，然後傳遞到一個非線性激活函數。這裡設置了兩個隐藏層，輸出層接收最後一個隐藏層的值。将整個輸入數據集分為訓練集（80%）和測試集（20%），利用訓練集來訓練MLP模型，然後利用測試集和交叉驗證方法測試模型的準确性。經過多次訓練與參數優化，最終神經網絡的識别準确率可達95%以上，可以很好地預測非晶态模型中缺陷态的産生。
圖2.非晶特征的提取和深度學習方法
利用訓練完成的MLP模型可以來預測新非晶态模型中的缺陷态。通過第一性原理計算建立新的非晶态模型，計算其中每個原子的局部結構特征作為輸入， 然後通過MLP模型預測出了其中可能産生缺陷态的原子。其中大部分預測的可能原子形成了一個中程的團簇結構，因此改模型有非常大的概率會産生缺陷态。緊接着利用DFT計算證明了缺陷态的存在，同時将與缺陷态對應的波函數投影到非晶态模型中，發現與預測的團簇結構一緻（見圖3）。結果表明機器學習可以有效地預測缺陷态的存在并且确定相關的原子，這對于研究OTS材料的機理也具有重要意義。
圖3.機器學習預測與第一性原理計算結果一緻
為了确定各種局部結構特征與缺陷态的相關性，分别利用單一的結構特征作為輸入來重新訓練MLP模型，計算相應的識别率，确定了其中配位數和同極鍵可能是導緻缺陷态的主要原因，而且中程結構的相關性高于短程結構。進一步研究表明，在非晶态GeSe模型中，4配位的Ge原子和3配位的Se原子組合形成團簇的時候，整體上違背了8-N規則，産生了過剩的電子，最終導緻産生了高度局域化的缺陷态。随後計算了不同OTS材料中的配位數分布，發現其中産生缺陷态的結構團簇都具有更高的配位數，說明打破全局8-N規則的中程團簇結構是不同OTS材料中缺陷态的主要來源（見圖4），這一結果也為篩選新的OTS材料提供了依據。
圖4.不同材料中缺陷态産生的機理，即原子打破了全局8-N規則
在此基礎上對機器學習模型進行調整，從而成功地預測了其他幾種材料的缺陷态，表明此模型具有實現篩選新OTS材料的潛力。首先，這項研究工作揭示了OTS材料中一個統一的缺陷态産生機理，對于深入認識和開發OTS材料具有重要意義。其次，我們利用機器學習方法來處理大規模的結構數據，篩選有效的結構特征從而揭示OTS材料的機理，展示了一種機器學習方法在非晶材料研究上的新應用，為研究複雜材料體系的機理提供了新的策略。最後，在此研究的基礎上可以利用機器學習來實現OTS材料的篩選，不僅降低了計算的成本，增加了材料篩選的效率，而且可以實現非常高的準确率，因此對于提高三維存儲器芯片的性能具有重要意義。該工作使用機器學習方法的策略成功地揭示了複雜的硫系玻璃中缺陷狀态的結構起源，為應用于三維存儲器芯片的OTS材料和器件設計提供了理論基礎。
該研究成果發表在國産學術期刊《InfoMat》上，題為“Deep machine learning unravels the structural origin of mid-gap states in chalcogenide glass for high-density memory integration”， 博士生徐萌為論文第一作者，徐明教授為論文通訊作者。團隊的研究工作受到了國家重點研發計劃以及基金委面上項目的資助。《InfoMat》期刊由著名出版商Wiley與電子科技大學合作于2019年創辦，主要聚焦在快速發展的信息技術領域中，備受科學界關注的新材料及其創新應用的研究成果，2021年影響因子25.405。
論文信息
MengXu, Ming Xu*, Xiangshui Miao,Deep Machine Learning Unravels the Structural Origin of Mid-Gap States in Chalcogenide Glass for High-Density Memory Integration, InfoMat, 2022, DOI: 10.1002/inf2.12315
原文鍊接：https://onlinelibrary.wiley.com/doi/10.1002/inf2.12315
