「オックスフォード大学と西安交通大学の研究者たちが、先端メモリ技術での相変化材料のシミュレーションに向けた革新的な機械学習モデルを発表」

相変化材料の理解と最先端のメモリ技術の開発には、コンピュータシミュレーションの利用が大きなメリットがあります。ただし、直接的な量子力学シミュレーションは、最大でも数百個または数千個の原子から成る比較的単純なモデルにしか対応できません。最近、イギリスのオックスフォード大学と中国の西安交通大学の研究者たちは、これらの材料の原子スケールのシミュレーションを支援するかもしれない機械学習モデルを開発しました。このモデルは、これらのデバイスが機能する条件を正確に再現することができます。

オックスフォード大学と西安交通大学の研究者によるNature Electronicsの研究で提示されたモデルは、高い再現度のシミュレーションを迅速に生成し、PCMベースのデバイスの動作のより深い理解を提供します。彼らは、量子力学データを使用してトレーニングされた機械学習ベースのポテンシャルモデルを提案し、珪素アンチモンテルリウム組成（典型的な相変化材料）のさまざまな設定でのシミュレーションを行います。私たちのモデルの高速性により、神経インスパイアドコンピューティングのための多数の熱サイクルおよび感度の動作の原子論的なシミュレーションが可能になります。モデルは、約50万個の原子から成るデバイスサイズ（40 20 20 nm3）上で実証されています。

研究者たちは、モデルのトレーニングのためにラベル付きの量子力学データを使用した新しいデータセットを作成しました。この研究グループによって開発されたモデルは、予備的なテストで非常に有望な成果を示しました。これにより、PCMベースのデバイスが数多くの熱サイクルを通じて繊細な機能を実行する際に、原子の正確なモデリングが可能になります。これは、原子スケールのPCMベースのデバイスシミュレーションに機械学習を利用する可能性を示しています。

• Google Quantum AIの研究者が、拡張性のある量子エラー訂正のための漏洩管理において大きな進展を達成
• 「$1でジェネラティブAIを使ってより優れたランニングシューズ（または他の製品）を作る」
• シンガポール国立大学（NTU）の研究者が提案する「OtterHD-8B」という革新的なマルチモーダルAIモデルは、「Fuyu-8B」から進化したものである

機械学習（ML）モデルを使用することで、PCM GSTのシミュレーション時間と精度を大幅に改善し、リアルなデバイス形状とプログラミング条件を持つメモリデバイスの真の原子論的なシミュレーションが可能になりました。MLによるシミュレーションは、モデルの規模に比例して線形にスケーリングされるため、より大きな複雑なデバイス形状やより長い時間軸でより強力なコンピューティングリソースを利用して簡単に拡張することができます。私たちは、MLモデルがイソサーマル設定または温度勾配を持つ環境でGSTの核生成と結晶成長をサンプリングすること、さらには溶融と結晶の開発をシミュレーションすることにより、GSTの核生成のバリアと臨界核サイズを把握できると期待しています。

将来の研究では、隣接電極や誘電体層に対するインターフェース効果が重要なテーマとなります。たとえば、アルミニウム酸化物の壁でPCMセルを囲むことで熱損失が大幅に減少することが報告されていますが、これらの原子スケールの壁がインターフェースにおける熱振動やPCMの相転移能力に与える影響は、有限要素法のシミュレーションだけでは研究することはできません。原子論的なMLモデルを使用して、拡張されたリファレンスデータベースを提供し、さまざまなデバイス形状に対する最小RESETエネルギーや結晶化時間、マイクロスコピックな故障メカニズムの予測を行うことにより、アーキテクチャの設計を改善することができます。私たちの研究結果は、PCMフェーズとPCMベースのデバイスの生成において、MLによるシミュレーションの潜在的な価値を示しています。