基于人工智能与多尺度计算的低功耗相变存储器设计

Compared to the Flash technology, the emerging phase change memory (PCM) technology could improve the non-volatile data storage speed by 3 orders of magnitude and increase the data density by 1 order of magnitude. However, more than 90% of the RESET energy is wasted as thermal flux, in order to heat up the active phase change material from room temperature to 600-700 Celsius degrees. Therefore, the state-of-art commercial PCM devices consume similar amount of power compared to Flash devices. So there is plenty of room left for energy-efficiency optimization. In this project, the state-of-art artificial intelligence and multi-scale simulation technologies will be applied to simulate the thermal transport in the atomistic scale. The purpose is to optimize the energy efficiency by effectively controlling the thermal transport via engineering the device structure, materials, interfaces, and superlattices, etc. In the microscopic scale, the density functional theory (DFT) will be used to obtain the potential energy surface (PES) in various atomic configurations. In the mesoscopic scale, artificial neural networks (ANN) will be trained to decently reproduce the PES, in order to significantly reduce computational cost of DFT-based molecular dynamics (MD). In the macroscopic scale, the finite element method (FEM) and the ANN-based MD will be applied to simulate the thermal transport at the device level. Massively parallelized simulations will be performed to screen various design strategies and options. The research conclusions and software tools developed in this research project will be helpful to develop the non-volatile memory technologies and to better understand and optimize the thermal transport processes in advanced logic semiconductor device technologies.

相比于传统闪存技术，新型相变存储技术有望将非易失性存储器件的速度提升3个数量级、密度提升1个数量级。但相变存储器进行写操作时，需要将局部温度从室温加热至600-700摄氏度，在这一过程中90%以上的能量以热传导的形式损耗。因此，目前相变存储器产品的功耗与闪存约处于同一数量级，有待优化。本项目拟采用人工智能和多尺度计算，对相变存储器件的结构、材料、界面、超晶格等关键要素进行优化设计，通过从原子尺度有效控制热传导来大幅降低功耗。微观尺度上，拟使用密度泛函理论提取各种原子结构下的势能面；介观尺度上，拟采用人工神经网络对微观势能面进行拟合训练，以降低计算量；宏观尺度上，拟采用有限元方法和基于人工神经网络的分子动力学，通过大规模并行计算，对多种器件设计方案下的热传导进行优化。本项目成果不但有助于我国非易失性存储技术的发展，而且有益于高端逻辑微电子器件中热传导微观机理的研究和优化方法论的建立。

相比于传统闪存技术，新型相变存储技术有望将非易失性存储器件的速度提升3个数量级、密度提升1个数量级。但相变存储器进行写操作时，需要将局部温度从室温加热至600-700摄氏度，在这一过程中90%以上的能量以热传导的形式损耗。因此，目前相变存储器产品的功耗与闪存约处于同一数量级，有待优化。为了解决优化相变存储器功耗的问题，本课题通过采用人工智能和多尺度计算方法，对相变存储器件的结构、材料、界面、超晶格等关键要素进行优化设计，通过从原子尺度有效控制热传导来大幅降低功耗。..本课题主要成果有：.1）提出一种基于深度神经网络模拟相变存储器相变过程的方法。该方法基于深度神经网络可以将计算精度提升1~2数量级，计算速度提升3~5数量级（DOI: 10.1109/LED.2020.2964779）。.2）提出一种基于迁移学习训练掺杂及合金的神经网络的方法。对比于与监督学习方法，基于这种高效的方法可将训练网络所需的样本减少2~3个数量级(DOI: 10.1109/LED.2020.2972066)。.3）提出一种模拟锑(Sb)相变过程的有效方法，利用主动学习的方法模拟单原子相变材料锑的相变过程，解决了由于多组分相变材料可能产生组分偏析导致器件失效的难题，并构建了高精度的Sb的深度势能模型，将模拟尺度推向更高的量级(DOI: 10.1016/j.mssp.2021.106146)。.4）提出一种低功耗器件结构的设计方案以及使用有限元计算器件功耗的方法。从减少能量耗散入手优化器件结构，提出了一种新型纳米线型相变存储器，相比于现有PCM 器件的功耗降低了1个数量级。.5）提出了基于机器学习和非冯诺依曼架构的新型分子动力学技术，将现有机器学习分子动力学的计算速度提升了2个数量级。..依托本项目，已发表SCI论文3篇，另有2篇SCI论文在审稿；申请发明专利5项、软件著作权1项；项目培养毕业博士1名、硕士3名。..基于上述成果，已与华为技术有限公司签订成果转化和合作开发协议1项（合同金额：*百万元），项目成果目前已应用于华为的亚10 nm高端逻辑芯片设计。