华科徐明教授InfoMat: 机器学习揭示硫属化物玻璃中间隙态的结构起源

3D半导体集成技术的最新发展需要一个关键部件，即双向阈值开关（OTS）选择器来抑制高密度存储芯片中的电流泄漏。然而，现有OTS材料性能不尽如人意。通常由硫属化物玻璃制成的OTS材料发展缓慢，主要归因于对其电子结构的了解不足。由于无序系统的第一性原理计算量很大，目前还缺乏一种通用的理论来解释导致OTS行为关键特征（中间隙态，MGS）的起源。

在此，华中科技大学徐明教授等人应用深度机器学习（ML）来揭示各种OTS材料中的底层物理机制，该方法可以大大缩短处理大量复杂数据的时间。作者采用多层感知器（MLP）学习和识别硫属化物玻璃的结构特征，并建立了一个由1000个样本组成的数据集来训练和测试MLP模型。一个MLP模型由一个输入层、几个隐藏层和一个输出层组成。输入层是一组输入神经元，包括结构特征和分类标签。作者设置了两个隐藏层，每层有50个神经元。

为了避免意外误差，采用了交叉验证方法并将总数据集随机分为训练集（80%）和测试集（20%），计算平均识别率作为测试分数。关于输入特征，作者收集了短程有序（SRO）和中程有序（MRO）的六个结构参数作为输入数据集。其中SRO由一个中心原子及其最近邻组成，MRO包括第二近邻且可由多个SRO特征组成。

图1. 深度机器学习算法追踪预测MGS

在使用这些特征训练MLP模型后，作者发现该模型在识别新玻璃中的MGS 时准确率达到了约95%。作者评估了这些特征的重要性，确认配位数和同极键（特别是来自MRO）与MGS最相关。为了测试ML结果，作者在非晶模型中人为地制造了一些缺陷，并证实了打破全局8-N规则的MRO基元是MGS的主要结构起源。

基于这些发现，作者根据MRO配位数调整了MLP模型，并成功预测了其他几种OTS材料中的MGS。尽管如此，目前仍需更多的训练数据集才能将MLP模型应用于所有材料并预测OTS行为。总之，这项研究采用ML的方法成功地揭示了复杂硫属化物玻璃中缺陷态的结构起源而无需昂贵的DFT计算，为先进半导体集成OTS材料和器件的设计铺平了道路。

图2. MLP模型在识别MGS方面的测试结果及特征重要性分析

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

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/40d68eb984/

华科徐明教授InfoMat: 机器学习揭示硫属化物玻璃中间隙态的结构起源

相关推荐