三维相变存储器是目前最有竞争力的新型存储技术之一，该技术可以实现存储容量和擦写速度的双重突破，满足信息量爆发增长对存储器的性能需求。三维相变存储器主要由存储单元（Memory）与选通单元（Selector）集成在一起（见图1），其中存储单元由硫系相变材料Ge-Sb-Te组成，而选通单元则采用双向阈值转换（Ovonic Threshold Switching,OTS）器件来取代以往体积庞大且工艺繁琐的三端晶体管。OTS器件本质是一种易失性的非线性阻变器件，即在阈值转换电压下能突然由高阻态转变成低阻态，从而产生较大的电流来驱动相变存储单元，而一旦偏置电压移除其又能回到高阻态，防止漏电流的通过。 经过多年的研究与改进，相变存储材料的研发已经趋于成熟，反而OTS材料逐渐成为了限制三维相变存储器产业化的瓶颈。
为了能实现国产存储器的快速发展，需要设计出速度更快、寿命更长、驱动电流更高的OTS材料，但是科学家对于OTS的形成机理仍然缺乏足够的认识。目前，研究者普遍认为OTS阈值转换是由于电场驱使缺陷态上的电子激发至浅能级而产生的导电通道，而对于缺陷态的产生机理仍然有较大的争议，导致了OTS材料的设计和研发较为缓慢。我们知道，理解材料机理的最佳方法是采用第一性原理对原子和电子结构进行模拟，对于一般的具有对称性的晶体结构，该方法都行之有效。然而，OTS材料是非晶硫系玻璃，其结构和缺陷态的产生都具有随机性，模拟该材料的缺陷态需要建立成百上千个体积较大的模型，且每个超胞模型电子结构的精确计算都需要耗费极多的超级计算机机时，这些难点使科学家对其机理的研究成为了一个几乎不可能的任务。华中科技大学集成电路学院缪向水存储器研究团队巧妙地避开了这个大规模长时间的第一性原理模拟，利用人工智能机器学习方法来研究OTS材料的缺陷态，不仅可以揭示其内在机理，而且可以指导设计新的高性能材料。
图1.双层结构的三维相变存储器示意图，由存储单元和选通单元构成
研究团队利用第一性原理计算建立了数百个非晶态GeSe材料的模型，由于缺陷态具有随机性，从中选取约50个具有缺陷态的模型，且选择了共1000个原子作为样本，并提取了短程和中程范围的结构特征来训练神经网络（见图2）。这些结构特征包括键长、键角、配位数、同极键、序参数q和Peierls-like扭曲分布。通过组合这些局部结构特征作为输入数据集，利用多层感知器（MLP）来进行有监督学习。MLP由输入层、隐藏层和输出层三部分组成，其中输入层由特征数据集与标签数据组成。每个隐藏层中的神经元将前一层的值转换为加权线性和，然后传递到一个非线性激活函数。这里设置了两个隐藏层，输出层接收最后一个隐藏层的值。将整个输入数据集分为训练集（80%）和测试集（20%），利用训练集来训练MLP模型，然后利用测试集和交叉验证方法测试模型的准确性。经过多次训练与参数优化，最终神经网络的识别准确率可达95%以上，可以很好地预测非晶态模型中缺陷态的产生。
图2.非晶特征的提取和深度学习方法
利用训练完成的MLP模型可以来预测新非晶态模型中的缺陷态。通过第一性原理计算建立新的非晶态模型，计算其中每个原子的局部结构特征作为输入， 然后通过MLP模型预测出了其中可能产生缺陷态的原子。其中大部分预测的可能原子形成了一个中程的团簇结构，因此改模型有非常大的概率会产生缺陷态。紧接着利用DFT计算证明了缺陷态的存在，同时将与缺陷态对应的波函数投影到非晶态模型中，发现与预测的团簇结构一致（见图3）。结果表明机器学习可以有效地预测缺陷态的存在并且确定相关的原子，这对于研究OTS材料的机理也具有重要意义。
图3.机器学习预测与第一性原理计算结果一致
为了确定各种局部结构特征与缺陷态的相关性，分别利用单一的结构特征作为输入来重新训练MLP模型，计算相应的识别率，确定了其中配位数和同极键可能是导致缺陷态的主要原因，而且中程结构的相关性高于短程结构。进一步研究表明，在非晶态GeSe模型中，4配位的Ge原子和3配位的Se原子组合形成团簇的时候，整体上违背了8-N规则，产生了过剩的电子，最终导致产生了高度局域化的缺陷态。随后计算了不同OTS材料中的配位数分布，发现其中产生缺陷态的结构团簇都具有更高的配位数，说明打破全局8-N规则的中程团簇结构是不同OTS材料中缺陷态的主要来源（见图4），这一结果也为筛选新的OTS材料提供了依据。
图4.不同材料中缺陷态产生的机理，即原子打破了全局8-N规则
在此基础上对机器学习模型进行调整，从而成功地预测了其他几种材料的缺陷态，表明此模型具有实现筛选新OTS材料的潜力。首先，这项研究工作揭示了OTS材料中一个统一的缺陷态产生机理，对于深入认识和开发OTS材料具有重要意义。其次，我们利用机器学习方法来处理大规模的结构数据，筛选有效的结构特征从而揭示OTS材料的机理，展示了一种机器学习方法在非晶材料研究上的新应用，为研究复杂材料体系的机理提供了新的策略。最后，在此研究的基础上可以利用机器学习来实现OTS材料的筛选，不仅降低了计算的成本，增加了材料筛选的效率，而且可以实现非常高的准确率，因此对于提高三维存储器芯片的性能具有重要意义。该工作使用机器学习方法的策略成功地揭示了复杂的硫系玻璃中缺陷状态的结构起源，为应用于三维存储器芯片的OTS材料和器件设计提供了理论基础。
该研究成果发表在国产学术期刊《InfoMat》上，题为“Deep machine learning unravels the structural origin of mid-gap states in chalcogenide glass for high-density memory integration”， 博士生徐萌为论文第一作者，徐明教授为论文通讯作者。团队的研究工作受到了国家重点研发计划以及基金委面上项目的资助。《InfoMat》期刊由著名出版商Wiley与电子科技大学合作于2019年创办，主要聚焦在快速发展的信息技术领域中，备受科学界关注的新材料及其创新应用的研究成果，2021年影响因子25.405。
论文信息
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
原文链接：https://onlinelibrary.wiley.com/doi/10.1002/inf2.12315
