Раскрытие важности параметров изготовления оксида меди

Научные отчеты, том 13, Номер статьи: 4905 (2023) Цитировать эту статью

658 Доступов

1 Цитаты

1 Альтметрика

Подробности о метриках

В настоящем исследовании были использованы различные методы статистического и машинного обучения (ML), чтобы понять, как параметры изготовления устройства влияют на производительность устройств резистивного переключения (RS) на основе оксида меди. В данном случае данные были собраны из исследовательских статей на основе устройств RS с оксидом меди, опубликованных в период с 2008 по 2022 год. Первоначально различные закономерности, присутствующие в данных, были проанализированы статистическими методами. Затем были реализованы алгоритмы дерева классификации и регрессии (CART) и дерева решений (DT) ML, чтобы получить рекомендации по изготовлению устройств для непрерывных и категориальных характеристик устройств RS на основе оксида меди соответственно. На следующем этапе было обнаружено, что алгоритм случайного леса подходит для прогнозирования функций непрерывного типа по сравнению с линейной моделью и искусственной нейронной сетью (ИНС). Более того, алгоритм DT очень хорошо прогнозирует производительность функций категориального типа. Оценка важности признака рассчитывалась для каждого непрерывного и категориального признака с помощью алгоритма повышения градиента (GB). Наконец, предложенные рекомендации ML были использованы для изготовления устройства RS на основе оксида меди и продемонстрировали его свойства энергонезависимой памяти. Результаты алгоритмов ML и экспериментальных устройств хорошо согласуются друг с другом, что указывает на важность методов ML для понимания и оптимизации устройств памяти.

Эффект резистивного переключения (RS) связан с переключением материалов в два или более стабильных состояния сопротивления за счет приложения электрического напряжения. В то же время эти состояния сопротивления стабильны после снятия электрического напряжения и могут часто переключаться, применяя тот же или противоположный потенциал смещения1. Благодаря этим фактам устройства RS становятся заметными кандидатами на роль запоминающих устройств1. Наряду с применением энергонезависимой памяти, эффект RS также может быть использован в нейроморфных вычислениях2, распознавании3 и логических элементах4. Среди многих приложений устройства RS часто используются для хранения данных в памяти. Чтобы конкурировать с традиционными аналогами флэш-памяти, устройства RS должны работать при низком коммутационном потенциале (< 1 В) и демонстрировать высокую износостойкость (> 109 циклов) и длительный срок хранения (> 10 лет)1. Исследователи в этой области пытаются оптимизировать различные параметры устройства для получения желаемых свойств РС. Учитывая это, промышленность и научные круги пытаются оптимизировать процесс синтеза и изготовления устройств, материалы резистивного переключения, толщину переключающего слоя, толщину верхнего и нижнего электродов и т. д.

Оптимизация экспериментальных условий играет решающую роль в настройке свойств RS. Традиционно каждая исследовательская группа производит различные устройства RS и пытается улучшить характеристики их энергонезависимой памяти. Однако такие автономные стратегии требовали много капитала, ресурсов и времени. Для решения такого рода проблем в различных научных областях, таких как материаловедение5, энергетика6, окружающая среда7 и медицина8, используются различные методы обнаружения на основе данных, такие как машинное обучение (МО), искусственный интеллект, анализ больших данных и т. д. В большинстве случаев качество данных играет важную роль в оптимизации производительности устройства. В некоторых случаях используются однородные наборы данных из-за легкой доступности необработанных данных. В таких случаях данные генерируются путем моделирования различных моделей, расчета функционала плотности/теорий первого принципа или использования наборов лабораторных данных. Однако такие наборы данных не могут дать подробное представление о материалах или устройствах из-за отсутствия внутренней случайности. Таким образом, разнообразные и разнородные данные могут быть лучшим способом выявить закономерности и понять скрытую динамику материалов или устройств9,10. Гетерогенный набор данных может быть создан путем сбора необработанных данных вручную/автоматически из рецензируемой литературы. Таким образом создается универсальный набор данных для открытия различных материалов и устройств на основе данных.

90 nm) of the RS device then it is possible to attain lower VRESET voltage. It is interesting to note that both CART models (VSET and VRESET) show evidence of conventional and unconventional switching voltage patterns i.e. positive VSET–negative VRESET and negative VSET–positive VRESET. Such kind of physics-oriented model is very important to mimic the basic physical mechanism of electronic devices31./p> 102 nm then the probability of getting digital switching can be lowered to 68% and one can get analog switching with a probability of 32%. In the case of analog switching, synthesis methods play an important role. If the switching layer is fabricated using solution-processable techniques then the device can show digital type RS with 100% probability, however, only 4% of data follow such a trend. Therefore, it is always advised to use subject matter expertise while fabricating devices with ML-guided results32. If a device is fabricated using electrochemical and physical deposition techniques then there is a 78% probability to get analog switching. The present model further suggested that the choice of TEs, the thickness of TEs, and the choice of BEs influence the TSAD of copper oxide-based RS devices. The decision rules related to the co-existence of analog and digital type switching are not observed from the present DT model. This is due to the fact that such kind of data is not present in the prepared dataset./p> 90 nm, and the thickness of the switching layer < 18 nm. The present DT model suggested that the bulk limited conduction mechanisms depend on the thickness and type of TEs, the thickness of SL, the type of BEs, the type of switching materials, and the synthesis method. Overall the CART and DT-based ML algorithms provide significant fabrication guidelines for the realization of optimized and high-performance copper oxide-based RS devices. These guidelines can be used by other researchers while optimizing copper oxide-based RS devices for non-volatile memory applications./p>

465 nm and depositing the copper oxide layer by either solution processable or electrochemical synthesis techniques. The minimum VRESET voltage (−0.5 V) can be obtained by depositing the copper oxide layer with either electrochemical or physical deposition techniques. In the case of endurance and retention, the CARTs suggested that the BE plays an important role. However, these CARTs cannot provide a unique set of rules. In the case of endurance, higher endurance (2329 cycles) can be obtained by using Cu as a BE. On the other hand, higher retention (25 × 106 s) can be obtained by taking BE other than Cu. As retention property is more important than endurance, BE can be other than Cu metal. Last but not the least, a higher memory window (793 × 103) can be observed by depositing the CuO switching layer. Therefore, we choose the following experimental conditions, BE: Pt, fabrication method: electrochemical, and Type of material: CuO. The remaining device parameters were chosen from the DTs, as shown in Figs. 3, 4 and 5. If the thickness of TEs is greater than 65 nm then digital-type switching can be observed. If the thickness of BE is greater than 465 nm and the thickness of SL is less than 301 nm then the bipolar RS can be observed. If TE is made up of other than Pt electrode then bulk limited conduction can be observed in the device./p>

Блог