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

Les simulations informatiques peuvent grandement contribuer à l’étude de nouveaux matériaux prometteurs pour des applications technologiques. Il s’agit notamment des matériaux dits à changement de phase (PCM), des substances qui libèrent ou absorbent de l’énergie thermique lors de la fusion et de la solidification, qui sont prometteuses 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 pourrait aider à simuler ces matériaux à l’échelle atomique, reproduisant de manière réaliste les conditions dans lesquelles les appareils fonctionnent. Leur modèle, présenté dans un article publié dans Électronique 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 dans le stockage et le traitement des données numériques”, a déclaré Volker Deringer, l’un des chercheurs qui ont mené l’étude, à Tech Xplore. “Les simulations de ce type, appelées” dynamique moléculaire “(MD), ont généralement été utilisées pour décrire quelques centaines d’atomes environ, et ces simulations à petite échelle ont déjà été très utiles dans la communauté PCM.

“Nous exploitons la puissance des approches d’apprentissage automatique atomistique (ML) pour aller beaucoup plus loin, en montrant comment nous pouvons atteindre l’échelle de longueur de dispositifs réels, tout en décrivant tous les atomes individuels du système avec une précision comparable à celle de la mécanique quantique.”

Deringer et ses collaborateurs ont surnommé les simulations permises par leur modèle le terme large de modélisation atomistique à l’échelle de l’appareil. En effet, il s’agit de la première technique capable de modéliser plus d’un demi-million d’atomes à l’intérieur de dispositifs de mémoire dans des conditions de fonctionnement réalistes.

Les calculs qui sous-tendent le modèle d’apprentissage automatique ont été réalisés par Yuxing Zhou, un doctorant de dernière année qui fait partie du laboratoire de recherche de Deringer à Oxford. Tout en complétant sa maîtrise, Zhou avait étroitement collaboré avec Wei de l’Université Jiaotong de Xi’an et il l’avait également fait en menant cette étude.

“Nous ne sommes pas les premiers auteurs à décrire un potentiel de ML pour les PCM. En fait, les PCM ont été l’un des premiers cas d’application d’une classe populaire de potentiels de réseaux neuronaux, avec un article fondateur du groupe de Marco Bernasconi en Italie ayant été publié. il y a déjà plus de dix ans”, a expliqué Deringer. “Des collègues britanniques ont également travaillé sur la description du composé phare ternaire, Ge₂Sb₂Te₅“.

Comparé à d’autres modèles introduits dans des études antérieures, le modèle d’apprentissage automatique développé par Zhou, Deringer et leurs collaborateurs a été formé sur un ensemble plus diversifié de composés, en particulier sur toute la lignée dite quasi-binaire entre GeTe et Sb.₂Te₃. En conséquence, leur modèle décrit un large éventail de matériaux susceptibles d’intéresser les chercheurs étudiant les PCM.

“Ce travail fournit une preuve de concept importante selon laquelle un nouveau type de simulation, à l’échelle de l’appareil, est désormais possible pour les mémoires à changement de phase”, a déclaré Deringer. “Il montre les applications du potentiel ML à divers scénarios de plus en plus difficiles : la croissance de plusieurs grains cristallins (c’est-à-dire les “numériques”), le chauffage dit non isotherme d’une grande cellule et un exemple d’application. champ électrique : tous ces points sont pertinents pour comprendre pleinement le fonctionnement « dans le monde réel » des appareils basés sur PCM. »

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

“Le résultat de ce processus itératif est un potentiel interatomique basé sur le ML. Ces types de potentiels étaient des outils assez spécialisés il y a quelques années, mais sont maintenant devenus beaucoup plus largement appliqués”, a déclaré Deringer. “Une avancée clé dans le présent article est le développement de l’ensemble de données qui” alimente “le modèle ML, qui a été soigneusement construit pour représenter, par exemple, les changements structurels à l’échelle atomique au cours de la cristallisation et de la croissance des PCM.”

Lors des premiers tests, le modèle créé par cette équipe de chercheurs s’est révélé très prometteur, permettant la modélisation détaillée des atomes dans les PCM au cours de plusieurs cycles thermiques et pendant que les dispositifs simulés effectuaient des opérations délicates. Cela démontre la faisabilité de l’utilisation de l’apprentissage automatique pour simuler des appareils entiers basés sur des PCM à l’échelle atomique.

“Nous avons pris grand soin de valider le modèle (ce qui est particulièrement important pour les potentiels de ML) et nous encourageons les autres à l’essayer également : les fichiers de paramètres et autres données sont fournis ouvertement à la communauté”, a déclaré Deringer. “J’espère que ce travail contribuera à renforcer davantage le rôle important de la théorie et de la simulation dans le domaine de la recherche PCM, et qu’il contribuera à terme à créer des modèles de plus en plus réalistes de ces matériaux et des dispositifs basés sur ceux-ci.”

L’ensemble de données et les fichiers de paramètres utilisés par Zhou, Deringer et leurs collègues sont open source et sont accessibles sur Zenodo. Ainsi, d’autres équipes pourraient bientôt les utiliser pour former leurs techniques d’apprentissage automatique. À l’avenir, leur modèle pourrait s’avérer utile aux scientifiques et ingénieurs des matériaux du monde entier, en facilitant la compréhension et la conception de dispositifs de mémoire basés sur PCM.

“L’une des prochaines étapes clés consistera à étendre ces modèles ML pour décrire d’autres composants pertinents pour les dispositifs de mémoire, par exemple les matériaux de commutation à seuil ovonique”, a ajouté Deringer. “Un espoir à long terme serait de fournir une “boîte à outils” d’ensembles de données et de modèles ML de haute qualité que les membres de la communauté peuvent utiliser essentiellement dans le commerce. Notre article actuel montre des simulations sur une échelle de longueur correspondant à des appareils réels, mais un autre Le défi majeur reste la barrière du temps, c’est pourquoi nous travaillons également dur pour rendre nos simulations basées sur le ML encore plus rapides.

© 2023 Réseau Science X