Un modèle de dispositif compact conscient du processus utilisant la mémoire à court et long terme

Avec l'immensité de l'augmentation des données de traitement lors du redimensionnement des dispositifs à semi-conducteurs par la loi de Moore, il est urgent d'utiliser l'analyse de données pour atteindre la performance à la pointe de la technologie tant en fabrication qu'en modélisation de dispositifs compacts. En particulier, gérer le coût de fabrication et fournir rapidement des modèles de dispositifs compacts, en particulier pour des dispositifs nouveaux ou émergents, est un défi. Pour alléger ces problèmes, nous proposons un modèle compact (CM) basé sur l'apprentissage automatique (ML) unifié et à usage général, conscient des processus, pour la mémoire à accès aléatoire résistive (RRAM), et la même méthodologie peut être utilisée pour tout dispositif de mémoire avec hystérésis. Un modèle ML de mémoire à long et court terme (LSTM) est utilisé pour ajuster les caractéristiques courant-tension (I-V) de la RRAM. La capacité de mémorisation du LSTM garantit qu'un modèle peut s'adapter à la fois à l'état à basse résistance (LRS) et à l'état à haute résistance (HRS) de la RRAM. L'ensemble de données ajusté est basé sur les échantillons de RRAM fabriqués utilisant une structure TaN/HfO2/Pt/Ti/SiO2/Si. L'erreur d'ajustement résultante est de 0,0096 en tension d'entrée à onde sinusoïdale et de 0,0148 dans les séquences de tension de marche aléatoire. Dans la démonstration consciente du processus, nous utilisons un ensemble de données d'oxydation après recuit de 300°C à 500°C. L'erreur quadratique moyenne (RMSE) dans le modèle compact RRAM conscient du processus est de 0,0028. Ainsi, le CM basé sur LSTM a le potentiel de rivaliser avec les modèles de dispositifs compacts conventionnels en termes de temps de développement plus court, de meilleure capacité d'ajustement dans les dispositifs émergents et un grand nombre de dispositifs, de modèles facilement intégrables conscients du processus, et d'un modèle unifié tenant compte du LRS et du HRS garantissant la différentiabilité. Nous proposons que le CM de mémoire basé sur LSTM puisse être utile dans la fabrication intelligente, l'ajustement des processus et la modélisation de programmes de simulation avec accent sur les circuits intégrés (SPICE) en simulation de circuits.