Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model

Diese Studie stellt ein physik-informiertes neuronales Operator-Modell (PINO) vor, das die Retention-Analyse von ferroelektrischen vertikalen NAND-Speichern um mehr als das 10.000-fache im Vergleich zu herkömmlichen TCAD-Simulationen beschleunigt, indem es physikalische Prinzipien in die Lernarchitektur integriert, um die komplexe Wechselwirkung zwischen Ladungsentfesselung und ferroelektrischer Depolarisation effizient zu modellieren.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschung, als würde man sie einem Freund beim Kaffee erzählen – ganz ohne komplizierte Fachbegriffe.

Das große Problem: Der vergessliche Speicher

Stell dir vor, du hast einen riesigen, dreidimensionalen Bücherregal-Speicher (wie ein Wolkenkratzer aus Daten), der in deinem Smartphone oder Computer steckt. Das ist die moderne 3D-Flash-Speicher-Technologie.

Um diesen Speicher noch höher zu bauen (mehr Daten auf weniger Platz), brauchen die Ingenieure eine neue Art von "Türsteher" für die Daten: einen Ferroelektrischen Transistor (FeFET). Dieser Türsteher ist super schnell und braucht wenig Energie.

Aber es gibt ein Problem:
Wenn du Daten in diesen Speicher schreibst, sind sie wie ein Brief in einem Briefkasten. Mit der Zeit (über Tage oder Wochen) verliert der Briefkasten seine Form, oder der Brief rutscht heraus. Das nennt man Datenverlust oder "Retention Loss".
In der echten Welt passiert das, weil sich elektrische Ladungen im Material langsam verschieben und das Material seine "Erinnerung" verliert.

Der alte Weg: Der langsame, mühsame Architekt

Um zu verhindern, dass die Daten verloren gehen, müssen Ingenieure das Material perfekt designen. Sie müssen testen: "Was passiert, wenn wir die Schicht 5 Nanometer dick machen bei 300 Grad?" und "Und bei 400 Grad?"

Früher nutzten sie dafür TCAD (eine Art superkomplexer Physik-Simulator).

• Das Problem: Dieser Simulator ist wie ein Architekt, der jeden einzelnen Ziegelstein eines Wolkenkratzer-Modells einzeln berechnet.
• Die Dauer: Um nur eine Konfiguration zu testen, braucht dieser Simulator 24 Stunden.
• Das Dilemma: Um den perfekten Speicher zu bauen, müssten sie Tausende von Kombinationen testen. Das würde Jahre dauern und wäre zu teuer. Es ist, als würde man versuchen, das perfekte Rezept für einen Kuchen zu finden, indem man jeden einzelnen Kuchen einzeln backt und 24 Stunden warten muss, bis er fertig ist.

Die neue Lösung: Der "Physik-verstehende" KI-Assistent

Die Forscher aus Georgia Tech, Samsung und NVIDIA haben eine Lösung entwickelt: Eine KI, die die Gesetze der Physik kennt.

Stell dir das nicht wie einen normalen Chatbot vor, der nur auswendig lernt (wie ein Schüler, der nur die Antworten auswendig lernt, ohne die Matheformel zu verstehen). Wenn ein normaler KI-Modell etwas Neues sieht, macht es oft dumme Fehler.

Diese neue KI (genannt PINO) ist anders:

1. Sie hat ein Physik-Lehrbuch im Kopf: Bevor sie überhaupt anfängt zu lernen, wurden ihr die fundamentalen Gesetze der Elektrizität und Thermodynamik beigebracht. Sie weiß also logisch, dass sich Ladungen nicht einfach so in die Luft verflüchtigen können.
2. Sie ist ein "Zwilling": Sie erstellt einen digitalen Zwilling des Speichers. Statt den ganzen Wolkenkratzer Stein für Stein zu berechnen, versteht sie die Struktur des Gebäudes.

Der Vergleich: Von Tagen auf Sekunden

Hier ist der magische Teil:

• Der alte Weg (TCAD): Braucht 60 Stunden, um einen ganzen Testlauf zu machen.
• Die neue KI: Braucht dafür 10 Sekunden.

Das ist ein Geschwindigkeitsvorteil von über 10.000-fach.
Stell dir vor, du musst 10.000 verschiedene Kuchenrezepte testen.

• Der alte Architekt backt jeden Kuchen einzeln und wartet einen Tag.
• Die neue KI schaut sich die Zutaten an, kennt die Backgesetze und sagt dir in Sekunden: "Wenn du 2 Gramm mehr Zucker nimmst, wird der Kuchen bei 350 Grad perfekt."

Warum ist das so wichtig?

Weil die KI die Physik versteht, macht sie keine albernen Fehler.

• Eine normale KI könnte sagen: "Bei 350 Grad ist der Speicher besser als bei 300 Grad und bei 400 Grad", was physikalisch Unsinn ist (wie ein Berg, der in der Mitte tiefer ist als an den Seiten).
• Die Physik-KI sagt: "Nein, bei 350 Grad liegt der Wert genau zwischen 300 und 400 Grad." Sie glättet die Kurven und findet die echten Muster.

Das Ergebnis

Mit dieser KI können die Ingenieure nun:

1. Unendlich viele Varianten testen: Sie können den Speicher für jede Temperatur und jedes Materialdesign optimieren, ohne Jahre zu warten.
2. Bessere Speicher bauen: Sie finden schneller die perfekte Kombination, damit deine Daten auch nach Jahren noch sicher sind.
3. Die Zukunft gestalten: Das ist der Schlüssel, um noch höhere, schnellere und zuverlässigere Speicher für unsere zukünftigen Geräte zu bauen.

Zusammengefasst: Die Forscher haben einen extrem langsamen, aber genauen Simulator durch einen superschnellen, physik-verstehenden KI-Assistenten ersetzt. Statt Tage zu warten, um ein Problem zu lösen, haben sie es in Sekunden gelöst – und dabei sicherstellen, dass die Lösung auch wirklich physikalisch Sinn ergibt.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND" auf Deutsch:

Titel: Physik-informierte KI-gestützte Beschleunigung der Retentionsanalyse von ferroelektrischem Vertical NAND: Von der TCAD-Simulation im Tagesbereich zum Surrogatmodell im Sekundenbereich

Autoren: Gyujun Jeong et al. (Georgia Tech, Samsung Electronics, NVIDIA)

---

1. Problemstellung

Mit dem wachsenden Bedarf an hochdichten Speichern stößt die Skalierung von 3D Vertical NAND (VNAND) in z-Richtung an Grenzen. Herkömmliche Ladungsfang-Schichten erfordern hohe Programmierspannungen. Ferroelektrische Feldeffekttransistoren (FeFETs) bieten eine vielversprechende Alternative mit niedrigeren Spannungen und schnellerem Schalten.
Das Hauptproblem liegt jedoch in der Datenretention (Datenerhalt) von 3D Fe-VNAND. Diese wird durch ein komplexes, zeitabhängiges Zusammenspiel zweier Mechanismen behindert:

1. Depolarisation: Der Verlust der ferroelektrischen Polarisation über die Zeit.
2. Ladungsentfangung (Charge Detrapping): Der Verlust von Ladungen an den Dielektrikum-Grenzflächen.

Die Optimierung der Bauteilgeometrie (z. B. Tunnel-Dielektrikum-Schichtdicke, Temperatur) erfordert eine umfassende Exploration des Designraums. Herkömmliche TCAD-Simulationen (Technology Computer-Aided Design) sind zwar physikalisch genau, aber rechnerisch extrem aufwendig. Eine einzige Simulation, die Temperatur und Zeit abdeckt, kann über 24 Stunden dauern. Eine breite Optimierung über viele Parameter ist daher praktisch unmöglich.

2. Methodik

Um die Lücke zwischen physikalischer Genauigkeit und Recheneffizienz zu schließen, stellen die Autoren ein Physik-informiertes Neuronales Operator-Modell (PINO) vor.

• Gerätephysik & TCAD-Datengrundlage:

  • Es wird ein einzelner FeFET mit einer gestapelten Gate-Struktur (HZO/TDL/HZO) analysiert.
  • Trainingsdaten wurden mit Synopsys Sentaurus TCAD generiert, wobei das ferroelektrische Preisach-Modell und Fowler-Nordheim-Tunneling integriert wurden.
  • Der Datensatz umfasst 120 TCAD-Läufe mit Variationen der HZO-Dicke (5–9 nm), Temperatur (300–473 K) und Retentionszeit (bis zu $10^4$ Sekunden).
  • Als Ausgabe dienen nicht nur elektrische Kennlinien ($I_D$-$V_G$), sondern auch 2D-Raumkarten physikalischer Größen (elektrostatisches Potential, Polarisation, eingefangene Ladungsdichten).

• KI-Architektur (NVIDIA PhysicsNeMo™):
  Das Modell besteht aus drei Phasen:

  1. Input-Embedding: Skalare Eingabeparameter (Dicke, Temperatur, Zeit) werden vektorisiert.
  2. Physik-Surrogat-Engine (Kernstück): Ein Fourier Neural Operator (FNO) lernt die Lösung der zugrundeliegenden partiellen Differentialgleichungen (PDEs). Im Gegensatz zu CNNs arbeitet der FNO im Fourier-Raum und kann kontinuierliche 2D-Physikfelder resolution-invariant vorhersagen.
  3. Readout (IV-Net): Eine hybride Architektur aus CNN und MLP wandelt die vorhergesagten Physik-Karten in elektrische Kennlinien ($I_D$-$V_G$) um. Ein „Scalar Context Injection" sorgt dafür, dass globale thermodynamische Effekte (wie Temperatur) korrekt in die Vorhersage einfließen.

• Physik-informiertes Training (PINO):
  Um das Modell von einem reinen „Black-Box"-Ansatz zu unterscheiden, wird eine dual-loss Funktion verwendet:

  • Datenverlust ($\mathcal{L}_{data}$): Minimierung des Fehlers gegenüber den TCAD-Ground-Truth-Daten.
  • Physikverlust ($\mathcal{L}_{physics}$): Ein Regularisierungsterm, der physikalische Gesetze erzwingt:
    • Poisson-Gleichung: Sicherstellung der Konsistenz zwischen Potential, Ladungsdichte und Polarisation.
    • Monotonie-Constraints: Erzwingung eines physikalisch sinnvollen, monotonen Abfalls von Polarisation und Ladung über die Zeit (Vermeidung unphysikalischer Oszillationen).

3. Wichtige Beiträge

• Entwicklung eines PINO-Surrogatmodells: Erstmalige Anwendung eines Physik-informierten Operators zur Vorhersage der Retentionsdynamik in Fe-VNAND-Bauelementen.
• Integration physikalischer Gesetze: Durch die Einbettung der Poisson-Gleichung und Monotonie-Constraints in die Loss-Funktion wird sichergestellt, dass das Modell physikalisch plausible Ergebnisse liefert, auch bei Datenknappheit.
• Vorhersage von 2D-Physikfeldern: Das Modell generiert nicht nur elektrische Kennzahlen, sondern rekonstruiert die zugrundeliegenden 2D-Raumverteilungen (Potential, Ladung), was eine tiefere physikalische Einblicke ermöglicht.
• Skalierbarkeit: Das Modell ist so konzipiert, dass es auf komplexe 3D-Strukturen übertragbar ist, beginnend mit der Validierung an einem einzelnen FeFET.

4. Ergebnisse

• Genauigkeit:

  • Das PINO-Modell erreicht eine relative Fehlerquote von ca. 0,1 % bei der Rekonstruktion der 2D-Physikfelder (Potential, Ladung, Stromdichte) im Vergleich zu TCAD.
  • Die Vorhersage der Schwellspannung ($V_{th}$) erreicht ein Bestimmtheitsmaß von $R^2 > 0,998$.
  • Das Modell zeigt hervorragende Interpolationsfähigkeiten für nicht gesehene Temperaturen (z. B. Vorhersage bei 350 K zwischen Trainingsdaten bei 300 K und 400 K).

• Vergleich: Datengetrieben vs. Physik-informiert:

  • Reine datengetriebene Modelle (ohne Physik-Loss) neigen zu Überanpassung und zeigen instabile „Ripples" (Oszillationen) in den $I_D$-$V_G$-Kurven.
  • Das PINO-Modell liefert glatte, physikalisch konsistente Kurven und verbessert den Root-Mean-Squared-Error (RMSE) um mehr als 40 % gegenüber dem datengetriebenen Basismodell.

• Rechenleistung:

  • Beschleunigung: Die Inferenzzeit wurde von 60 Stunden (TCAD für einen vollständigen Sweep) auf ca. 10 Sekunden reduziert.
  • Dies entspricht einer Beschleunigung von über 10.000-fach.
  • Dies ermöglicht eine kontinuierliche, mesh-freie Exploration des Designraums (DSE), was mit TCAD nicht möglich war.

5. Bedeutung und Ausblick

Diese Arbeit demonstriert einen Paradigmenwechsel im Design und der Zuverlässigkeitsanalyse von Halbleiterspeichern.

• Überwindung von Rechenbarrieren: Durch die Reduktion der Simulationszeit von Tagen auf Sekunden wird eine umfassende Optimierung von Fe-VNAND-Bauelementen erst praktikabel.
• Physikalische Interpretierbarkeit: Im Gegensatz zu reinen Black-Box-KI-Modellen bietet das PINO-Ansatz physikalische Erklärbarkeit, da die internen Zustände (Ladungstrapping, Depolarisation) direkt sichtbar und überprüfbar sind.
• Zukunft: Die Studie legt den Grundstein für die Modellierung von Retentionsverlustmechanismen in zukünftigen hochskalierten 3D Fe-VNAND-Architekturen und zeigt, wie KI-gestützte Surrogatmodelle die Entwicklungszyklen in der Halbleiterindustrie drastisch verkürzen können.