🔬 mesoscale physics

Machine-Learned Hamiltonians for Quantum Transport Simulation of Valence Change Memories

تقدم هذه الورقة نهجاً للشبكات العصبية الرسومية المتكافئة يتنبأ بدقة بمصفوفات هاميلتون لأنظمة ذاكرة تغيير التكافؤ غير الدورية الكبيرة التي تحتوي على آلاف الذرات، متجاوزةً بذلك القيود الحسابية وقيود الذاكرة لنظرية الكثافة الوظيفية التقليدية لتمكين محاكاة النقل الكمومي للأجهزة واسعة النطاق.

المؤلفون الأصليون: Chen Hao Xia, Manasa Kaniselvan, Marko Mladenoivić, Mathieu Luisier

نُشر 2026-02-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Chen Hao Xia, Manasa Kaniselvan, Marko Mladenoivić, Mathieu Luisier

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول فهم كيفية تدفق الكهرباء عبر آلة صغيرة ومعقدة مكونة من ذرات. للقيام بذلك بدقة، يستخدم العلماء أداة رياضية قوية تسمى نظرية وظيفة الكثافة (DFT). فكر في (DFT) كأنها كاميرا فائقة الدقة وعالية الجودة تلتقط صورة لكل ذرة وتتحقق بدقة من كيفية تفاعلها.

ومع ذلك، هناك عقبة: هذه "الكاميرا" بطيئة للغاية ومكلفة في التشغيل. إذا كانت آلتك صغيرة ومنظمة (مثل بلورة مثالية)، فإن الكاميرا تعمل بشكل جيد. ولكن إذا كانت آلتك فوضوية، أو غير منظمة، أو معطلة — مثل أجهزة ذاكرة تغيير التكافؤ (VCM) المستخدمة في الحواسيب من الجيل القادم — سيتعين على الكاميرا الابتعاد (الزوم للخلف) لتتمكن من رؤية آلاف الذرات في وقت واحد. وعند هذا الحجم، تصبح عملية الحساب بطيئة جداً وتتطلب الكثير من ذاكرة الكمبيوتر لدرجة تجعل من المستحيل إكمالها.

الحل: "متدرب ذكي"

قام مؤلفو هذه الورقة البحثية ببناء متدرب تعلم آلي (ML) لحل هذه المشكلة. فبدلاً من مطالبة "الكاميرا" البطيئة والمكلفة (DFT) بالقيام بكل العمل، قاموا بتعليم ذكاء اصطناعي سريع وذكي كيف يخمن الإجابات.

إليك كيف فعلوا ذلك، باستخدام بعض التشبيهات من الحياة اليومية:

1. تعلم قواعد اللعبة
"الإجابة" التي يحتاجها العلماء هي شبكة ضخمة من الأرقام تسمى مصفوفة هاميلتونيان (Hamiltonian matrix). هذه الشبكة تشبه خريطة للوصلات الكهربائية بين كل ذرة في الجهاز.

المشكلة: في المواد الفوضوية (مثل الأكاسيد غير المتبلورة داخل رقائق الذاكرة)، لا تكون الذرات مصطفة في صفوف مرتبة، بل تكون مبعثرة عشوائياً، مما يجعل رسم الخريطة أمراً صعباً للغاية.
وظيفة الذكاء الاصطناعي: قام الفريق بتدريب شبكة عصبية رسومية متكافئة (EGann). تخيل هذه الشبكة كأنها محقق يتعلم "قواعد الطريق" للذرات. إنه يتعلم أنه إذا قمت بتدوير الجهاز بأكمله، فإن الخريطة الكهربائية يجب أن تدوّر معه، لا أن تتغير تماماً. وهذا يسمح للذكاء الاصطناعي بالتعلم من أمثلة قليلة جداً وتطبيق تلك القواعد على هياكل ضخمة وفوضوية لم يرها من قبل.

2. خدعة "التقسيم المعزز"
أجهزة الذاكرة التي درسوها ضخمة (تحتوي على أكثر من 5,000 ذرة)، لكن "عقل" الذكاء الاصطناعي (ذاكرة الكمبيوتر) صغير جداً بحيث لا يمكنه استيعاب الخريطة بأكملها في وقت واحد.

التشبيه: تخيل أنك تحاول قراءة موسوعة ضخمة، لكن لا يمكنك سوى حمل صفحة واحدة في كل مرة.
الحل: استخدم الباحثون تقنية تسمى التقسيم المعزز (augmented partitioning). لقد قاموا بتقسيم الجهاز الضخم إلى طبقات رقيقة يمكن إدارتها (مثل تقطيع رغيف الخبز). يقرأ الذكاء الاصطناعي شريحة واحدة، ولكنه يحتفظ أيضاً بـ "ملاحظة" حول الذرات في الشرائح المجاورة حتى لا تنقطع الوصلات. هذا يسمح للذكاء الاصطناعي بإعادة بناء الخريطة الكاملة قطعة قطعة دون نفاد الذاكرة.

3. النتائج: سريعة ودقيقة إلى حد كبير
اختبر الفريق ذكاءهم الاصطناعي على جهاز ذاكرة مصنوع من نيتريد التيتانيوم وأكسيد الهافنيوم.

السرعة: توقع الذكاء الاصطناعي الخريطة الكهربائية في ثانيتين. بينما كانت الطريقة التقليدية (DFT) ستستغرق ما يقرب من 4 ساعات على حاسوب خارق.
الدقة: كانت خريطة الذكاء الاصطناعي قريبة جداً من الخريطة "المثالية". كانت الأخطاء ضئيلة جداً (بحجم حبة رمل مقارنة بجبل).
العقبة: بينما كانت الخريطة دقيقة جداً، فإن النتيجة النهائية — وهي التيار الكهربائي المتدفق عبر الجهاز — كانت جيدة "نوعياً" فقط.
- التشبيه: تخيل أن الذكاء الاصطناعي رسم خريطة لطرق مدينة بدقة 99%. إذا قدت سيارة باستخدام تلك الخريطة، فستصل عموماً إلى الحي الصحيح، لكنك قد تفوت منعطفاً معيناً أو تصطدم بمطب صغير. لقد توقع الذكاء الاصطناعي بشكل صحيح ما إذا كان الجهاز في حالة "التشغيل" (يسمح بمرور الكهرباء جيداً) أو "الإيقاف" (يمنع الكهرباء)، لكن عدد الإلكترونات المتدفقة بدقة لم يكن مثالياً.

لماذا يهم هذا الأمر؟

تزعم الورقة البحثية أن هذا النهج يسمح للعلماء بدراسة أجهزة ضخمة وفوضوية كان من الصعب سابقاً محاكاتها. ومن خلال استبدال "الكاميرا" البطيئة بـ "المتدرب" السريع، يمكنهم الآن محاكاة كيفية تغير أجهزة الذاية هذه بمرور الوقت (مثل عندما يتكون مسار موصل أو ينقطع) دون الانتظار لأيام للحصول على النتائج.

يشير المؤلفون إلى أن هذا يمكن أن يكون خطوة نحو دراسة أجهزة أكثر تعقيداً، مثل ذواكر تغيير الطور (التي تتحول بين الحالة الصلبة والسائلة)، لكنهم توقفوا عند هذا الحد ولم يدّعوا أنها جاهزة للاستخدام التجاري أو التطبيقات الطبية. وهم يؤكدون أنه بينما يعد السرعة مكسباً هائلاً، إلا أن الدقة لا تزال بحاجة إلى مزيد من الصقل لتصبح مثالية.

ملخص تقني: هاملتونيان متعلم آلياً لمحاكاة النقل الكمي في ذاكرات تغيير التكافؤ

بيان المشكلة
تعد محاكاة الأجهزة القائمة على الحسابات من المبادئ الأولية (ab-initio) باستخدام نظرية وظيفية الكثافة (DFT) ضرورية لالتقاط التفاصيل الذرية في الأجهزة الإلكترونية الحديثة. ومع ذلك، فإن بناء مصفوفة الهاملتونيان ( $H$ ) مكلف حاسوبياً، حيث يتناسب مع $O(N^3)$ حيث $N$ هو عدد الذرات. وبينما تسمح الشروط الحدودية الدورية بالحسابات الفعالة في الهياكل المتجانسة، إلا أن هذا النهج يفشل في التعامل مع المواد غير المتبلورة أو المعيبة، مثل طبقات التبديل في ذاكرات الوصول العشوائي المقاومة (ReRAM). إن نمذجة هذه الأنظمة غير المنظمة بدقة تتطلب نطاقات كبيرة تحتوي على آلاف الذرات، مما يدفع أدوات DFT القياسية إلى ما وراء حدودها الحسابية والذاكرية. وبناءً على ذلك، يصبح استقصاء خصائص "التيار مقابل الجهد" لمورفولوجيات الأجهزة المتطورة، مثل تشكل وانحلال الخيوط الموصلة في ذاكرات تغيير التكافؤ (VCM)، أمراً صعباً للغاية من الناحية الحسابية.

المنهجية
للتغلب على هذه الاختناقات، يقترح المؤلفون استبدال هاملتونيانات المحسوبة بواسطة DFT بهاملتونيانات متوقعة عبر التعلم الآلي (ML) باستخدام شبكة عصبية رسومية متكافئة (EGNN).

بنية الشبكة: تم تصميم الـ EGNN للتعامل مع التباين الدوراني المتأصل في تنبؤات البنية الإلكترونية. وهي تستخدم طبقة واحدة من تمرير الرسائل المحلية الصارمة، حيث تمثل العقد والحواف كتل الموقع الواحد (onsite) والروابط البينية (offsite). وتستخدم الشبكة آلية الانتباه متعدد الرؤوس لتمييز البيئات الذرية المعقدة، وتفرض قيوداً فيزيائية تتعلق بالدوران الهندسي.
استراتيجية التدريب: تم تدريب النموذج على مصفوفات الهاملتونيان لهيكلين من نوع TiN- $HfO_2$ -Ti/TiN VCM يحتويان على فجوات أكسجين موزعة بانتظام. ومن الأهمية بمكان أن هذه العينات التدريبية تم إنشاؤها عن طريق إدخال الفجوات عشوائياً في طبقات قياسية (stoichiometric) بدلاً من استخدام طريقة مونت كارلو الحركية (KMC)، مما خلق تحولاً توزيعياً كبيراً بين بيانات التدريب وبيانات الاختبار. هذا الإعداد يختبر بدقة قدرة النموذج على التعميم على تكوينات فجوات غير مرئية وذات معنى فيزيائي (الفجوات المتكتلة ومورفولوجيا الخيوط).
التقسيم المعزز: للتعامل مع الهياكل الكبيرة (~5,000 ذرة) ضمن قيود الذاكرة لبطاقة رسوميات (GPU) واحدة، يستخدم المؤلفون تقنية "التقسيم المعزز". يتم تقسيم الجهاز إلى شرائح طولية (في المستوى $x-y$ ) لالتقاط الواجهات المادية (TiN, Ti, $HfO_2$ )، مع ضمان مراعاة الاتصال الذري عبر حدود التقسيم بالكامل للحفاظ على دقة التنبؤ.
سير عمل المحاكاة: بمجرد التدريب، تتنبأ الـ EGNN بمصفوفة الهاملتونيان ( $H_{pred}$ ) لهياكل الأجهزة الكاملة مع حالات خيطية مختلفة (متشكلة أو مكسورة). تُغذى هذه المصفوفات المتوقعة في محاكي نقل كمي داخلي يستخدم صيغة دالة غرين غير المتوازنة (NEGF) لحساب دالة الإرسال المعتمدة على الطاقة $T(E)$ والتيار الكهربائي ( $I_d$ ) عند جهد انحياز قدره 1 فولت.

النتائج الرئيسية
تم التحقق من صحة الدراسة على خلايا VCM تحتوي على 5,268 ذرة بأربعة تكوينات مختلفة: اثنان منها بخيوط متشكلة بالكامل واثنان بخيوط مكسورة.

دقة التنبؤ بالهاملتونيان: حقق النموذج متوسط خطأ مطلق (MAE) يتراوح بين 3.39 إلى 3.58 ميلي إلكترون فولت عند التنبؤ بمدخلات مصفوفة الهاملتونيان مقارنة بمرجعيات DFT. وكانت أخطاء العقد والحواف منخفضة باستمرار (1.54–1.82 m $E_h$ للعقد و ~0.12 m $E_h$ للحواف) عبر جميع حالات الاختبار، مع وجود حد أدنى من القيم الشاذة. هذا الأداء يقارب النتائج المتطورة (2.2 meV)، ولكن تم تطبيقه على هياكل أكبر بعدة رتب مقدارية (5,268 ذرة مقابل $\le$ 150 ذرة).
خصائص النقل: بينما كانت مدخلات الهاملتونيان المتوقعة دقيقة للغاية، أظهرت دالات الإرسال $T(E)$ المعتمدة على الطاقة توافقاً نوعياً فقط مع DFT. ورغم إعادة إنتاج حواف النطاق بشكل جيد، إلا أن الميزات المحددة مثل قمم الإرسال لم يتم التقاطها بدقة.
التنبؤ بالتيار: رغم القيود في $T(E)$ ، كانت التيارات الكهربائية المحسوبة قريبة بما يكفي من نظائرها في DFT لتقييم حالة التوصيل للجهاز بشكل صحيح. أظهر النموذج دقة أعلى للتكوينات ذات الخيوط المتشكلة بالكامل مقارنة بالخيوط المكسورة، حيث تكون قيم الإرسال المنخفضة أكثر حساسية لأخطاء الهاملتونيان.
الكفاءة الحسابية: يوفر نهج التعلم الآلي تسريعاً هائلاً، حيث يتطلب 2 ثانية فقط للمرور الأمامي مقارنة بـ 3.94 ساعة-عقدة لـ DFT. تسمح هذه الكفاءة بالبناء السريع للهاملتونيانات لمئات العينات المتوسطة على طول انتقال المقاومة، مما يقلل من التكلفة الأولية للتدريب (<40 ساعة-عقدة).

الأهمية والادعاءات
يزعم المؤلفون أن هذا العمل يوفر مساراً قابلاً للتطبيق لتجاوز الحدود الذاكرية والحسابية لـ DFT، مما يتيح دراسة الأجهزة الكبيرة وغير المنتظمة التي تقع حالياً خارج قدرات الحسابات من المبادئ الأولية. المساهمة الرئيسية هي إثبات أن EGNN، المدرب على مجموعة محدودة من التكوينات البسيطة، يمكنه التعميم للتنبؤ بهاملتونيانات لهياكل VCM معقدة وكبيرة الحجم مع توزيعات فجوات غير مرئية.

يخلص البحث بتواضع إلى أنه بينما يسهل نموذج التعلم الآلي الحالي استقصاء مورفولوجيا الأجهزة المتطورة من خلال تجاوز حسابات DFT المكثفة، فإن هناك حاجة لمزيد من التحسينات في دقة النموذج ليكون بديلاً كاملاً لـ DFT لجميع خصائص النقل. ويتصور المؤلفون تطبيقات مستقبلية في تقنيات ذاكرة أخرى، مثل ذاكرات تغيير الطور، حيث يمكن أيضاً نمذجة الانتقالات التدريجية من الحالة غير المتبلورة إلى البلورية باستخدام التعلم الآلي بدلاً من DFT.

الحل: "متدرب ذكي"

لماذا يهم هذا الأمر؟

أبحاث مشابهة