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

기술 요약: 원가변성 메모리(VCM)의 양자 수송 시뮬레이션을 위한 머신러닝 기반 해밀토니안

문제 정의
밀도범함수이론(DFT)에 기반한 제일원리(ab-initio) 소자 시뮬레이션은 현대 전자 소자의 원자적 세부 사항을 포착하는 데 필수적이다. 그러나 해밀토니안 행렬($H$)을 구축하는 것은 계산 비용이 매우 높으며, 원자 수($N$)에 따라 $O(N^3)$으로 스케일링된다. 주기적 경계 조건은 균질한 구조에서는 효율적인 계산을 가능하게 하지만, 저항 변화 메모리(ReRAM)의 스위칭 층과 같은 비정질 또는 결함이 있는 물질에는 적용하기 어렵다. 이러한 무질서한 시스템을 정확하게 모델링하려면 수천 개의 원자를 포함하는 거대한 도메인이 필요하며, 이는 표준 DFT 도구의 계산 및 메모리 한계를 초과한다. 결과적으로, 전도성 필라멘트의 형성 및 해체와 같이 진화하는 소자 모폴로지의 "전압 대비 전류" 특성을 조사하는 것은 매우 어렵고 비용이 많이 드는 작업이 된다.

방법론
이러한 병목 현상을 극복하기 위해, 저자들은 DFT로 계산된 해밀토니안을 등변 그래프 신경망(EGNN)을 이용한 머신러닝 예측값으로 대체할 것을 제안한다.

• 네트워크 아키텍처: EGNN은 전자 구조 예측에 내재된 회전 공변성(rotational covariance)을 처리하도록 설계되었다. 이 네트워크는 노드(node)와 엣지(edge)가 각각 온사이트(onsite) 및 오프사이트(offsite) 해밀토니안 블록을 나타내는 엄격하게 국소적인 단일 메시 패싱(message-passing) 레이어를 사용한다. 또한, 다중 헤드 어텐션(multi-headed attention)을 사용하여 복잡한 원자 환경을 구분하며, 기하학적 회전에 관한 물리적 제약을 강제한다.
• 학습 전략: 모델은 산소 공석(oxygen vacancies)이 균일하게 분포된 두 가지 TiN-$HfO_2$-Ti/TiN VCM 구조의 해밀토니안 행렬을 바탕으로 학습된다. 결정적으로, 이 학습 샘플들은 키네틱 몬테카를로(KMC) 방식이 아닌, 화학 양론적 층에 공석을 무작위로 삽입하여 생성되었으므로, 학습 데이터와 테스트 데이터 사이에 상당한 분포 변화(distributional shift)가 존재한다. 이러한 설정은 클러스터링된 공석 및 필라멘트 모폴로지와 같이 관찰되지 않은 물리적으로 유의미한 공석 구성에 대한 모델의 일반화 능력을 엄격하게 테스트한다.
• 증강 분할(Augmented Partitioning): 단일 GPU의 메모리 제약 내에서 대규모 구조(~5,000개 원자)를 처리하기 위해, 저자들은 소자를 종방향 슬라이스($x-y$ 평면)로 나누는 "증강 분할" 기술을 채택하였다. 이는 재료 인터페이스(TiN, Ti, $HfO_2$)를 포착하는 동시에, 예측 정확도를 유지하기 위해 분할 경계 간의 원자 연결성을 완전히 고려한다.
• 시뮬레이션 워크플로우: 학습이 완료되면, EGNN은 다양한 필라멘트 상태(형성되거나 끊어진 상태)를 가진 전체 소자 구조에 대한 해밀토니안 행렬($H_{pred}$)을 예측한다. 예측된 행렬은 비평형 그린 함수(NEGF) 형식을 사용하는 자체 개발 양자 수송 시뮬레이터에 입력되어, 1 V 바이어스에서의 에너지 분해 투과 함수 $T(E)$와 전기 전류($I_d$)를 계산한다.

주요 결과
본 연구는 네 가지 서로 다른 구성을 가진 5,268개의 원자를 포함하는 VCM 셀을 통해 검증되었다(완전히 형성된 필라멘트 2개, 끊어진 필라멘트 2개).

• 해밀토니안 예측 정확도: 모델은 DFT 참조값과 비교했을 때 해밀토니안 행렬 항목에 대해 3.39에서 3.58 meV의 평균 절대 오차(MAE)를 달로 달성했다. 노드 및 엣지 오차는 모든 테스트 케이스에서 일관되게 낮았으며(노드는 1.54–1.82 m$E_h$, 엣지는 약 0.12 m$E_h$), 이상치(outlier)도 거의 없었다. 이러한 성능은 최신 기술 수준(2.2 meV)과 유사하면서도, 훨씬 더 큰 규모의 구조(5,268개 원자 vs $\le$150개 원자)에 적용된 결과이다.
• 수송 특성: 예측된 해밀토니안 항목은 매우 정확했으나, 그 결과로 도출된 에너지 분해 투과 함수 $T(E)$는 DFT와 질적인 일치만을 보였다. 밴드 엣지(band edges)는 잘 재현되었으나, 투과 피크와 같은 특정 특징들은 정확하게 포착되지 않았다.
• 전류 예측: $T(E)$의 한계에도 불구하고, 계산된 전기 전류는 DFT 대응값과 충분히 가까워 소자의 전도 상태를 올바르게 평가할 수 있었다. 모델은 낮은 투과값이 해밀토니안 오차에 민감한 '끊어진 필라멘트' 구성보다 '완전히 형성된 필라멘트' 구성에서 더 높은 정확도를 보였다.
• 계산 효율성: ML 접근 방식은 DFT의 3.94 노드-시간(node-hours)과 비교하여 단 2초의 순전파(forward pass)만 필요하므로 극적인 속도 향상을 제공한다. 이러한 효율성 덕 인해 저항 전이 과정의 수백 가지 중간 샘플에 대한 해밀토니안을 빠르게 구축할 수 있으며, 초기 학습 비용(<40 노드-시간)을 상쇄할 수 있다.

의의 및 주장
저자들은 본 연구가 DFT의 메모리 및 계산 한계를 극복하여, 현재 제일원리 계산 능력을 벗어난 대규모의 무질서한 소자 연구를 가능하게 하는 실행 가능한 경로를 제공한다고 주장한다. 주요 기여는 제한된 세트의 단순한 구성을 학습한 EGNN이 관찰되지 않은 공석 분포를 가진 복잡하고 대규모인 VCM 구조를 예측할 수 있도록 일반화될 수 있음을 입증한 것이다.

논문은 현재의 ML 모델이 강도 높은 DFT 계산을 우회함으로써 진화하는 소자 모폴로지 조사를 용이하게 하지만, 모든 수송 특성에 대해 DFT를 완전히 대체하기 위해서는 모델 정확도의 추가적인 향상이 필요하다고 겸허히 결론짓는다. 저자들은 향-상변화 메모리(PCM)와 같이 점진적인 비정질-결정질 전이를 모델링할 때 DFT 대신 ML을 사용할 수 있는 미래의 응용 분야를 전망하고 있다.