Simulación y aprendizaje automático para mejorar el diseño de memoria PCM

  • Noticias y Actualidad

IA machine learning

La investigación sobre memoria de cambio de fase está mejorando gracias al uso de nuevas tecnologías de simulación y aprendizaje automático, que permiten desarrollar modelos a escala atómica. Científicos británicos y chinos están trabajando en este campo, arrojando más luz sobre el comportamiento de los materiales de cambio de fase.

El diseño de materiales es uno de los campos más importantes para el desarrollo de nuevas tecnologías de memoria, como la memoria de cambio de fase (PCM), que se basa en el cambio de estado del material entre dos fases: cristalina y amorfa. La comprensión de los mecanismos de cristalización y retorno a la fase amorfa de los materiales es fundamental para mejorar las propiedades y el rendimiento de este tipo de memoria, y los investigadores están empelando métodos innovadores para mejorar los resultados.

Un ejemplo es el trabajo que están realizando expertos de la Universidad de Oxford, en colaboración con la Universidad Xi'an Jiaotong de China, que están aplicando técnicas modernas de simulación y aprendizaje automático para desarrollar modelos a escala atómica de los materiales candidatos a ser utilizados en este tipo de memoria. En su trabajo, publicado en la revista arxiv.org, explican que “las simulaciones por computadora con precisión cuántica han desempeñado un papel central en la comprensión de los materiales de cambio de fase (PCM) para tecnologías de memoria avanzadas”.

Pero destacan que estas técnicas generan un coste computacional que no para de aumentar, e impide realizar simulaciones a la escala real de los dispositivos, dificultando el cálculo real de su comportamiento. Para resolver este problema proponen el uso de un único modelo de potencial interatómico de aprendizaje automático de composición flexible. Afirman que esto puede describir con más precisión el funcionamiento real de los dispositivos de memoria de cambio de fase basados en aleaciones de Ge-Sb-Te, comúnmente empeladas para fabricar este tipo de memoria.

Esto incluye simulaciones a escala atómica que tienen en cuenta el calentamiento no isotérmico y el desorden químico que pueden sufrir estos compuestos. Dicen que su enfoque basado en una mayor eficiencia computacional permite realizar simulaciones de múltiples ciclos térmicos y operaciones delicadas para un tipo de informática inspirada en la neurología, como SET acumulativo y RESET iterativo.

Han realizado una demostración a escala de dispositivo que revela el potencial del aprendizaje automático para describir procesos tecnológicamente relevantes en dispositivos de memoria PCM. Aseguran que su trabajo demuestra cómo las simulaciones a escala atómica impulsadas por aprendizaje automático están alcanzando un nivel de desarrollo suficiente como para convertirse en guías eficaces para el diseño de arquitectura de dispositivos de alto rendimiento.

Más información

¿Cuál es el futuro del mercado de almacenamiento? ¿Qué tecnologías son las más adecuadas?  Conoce más sobre el software FUJIFILM Object Archive, el almacenamiento sostenible, las tecnologías de soporte de almacenamiento de datos o las cintas LTO de FUJIFILM para estar al día de un sector en crecimiento.