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

Deze studie introduceert een door fysica geïnspireerd AI-surrogaatmodel dat de simulatiesnelheid voor de retentieanalyse van ferro-elektrische verticale NAND-geheugens met meer dan 10.000 keer versnelt ten opzichte van traditionele TCAD-tools, terwijl de fysieke nauwkeurigheid behouden blijft.

De kern

Stel je voor dat je een enorme, 3D-gebouwde bibliotheek bouwt om al je digitale herinneringen (foto's, video's, documenten) veilig op te slaan. Dit is wat we 3D Vertical NAND noemen, de technologie in je smartphone en laptop.

Maar er is een probleem: na verloop van tijd beginnen de "boeken" in deze bibliotheek te vervagen. De data die je opslaat, verdwijnt langzaam. Dit heet data-retentie. Bij de nieuwste generatie van deze geheugens, gemaakt met een speciaal materiaal dat elektrisch kan "omklappen" (ferro-elektrisch), is dit proces heel complex. Het is alsof je probeert te voorspellen hoe snel een ijsblokje smelt, maar dan in een wereld waar de temperatuur, de grootte van het ijs en de tijd allemaal tegelijk veranderen.

Hier komt dit wetenschappelijke paper om de hoek kijken. Het lost een groot probleem op: Hoe voorspel je dit vervagen snel en nauwkeurig, zonder eeuwen te hoeven wachten?

Het Probleem: De "Super-Slow Motion" Camera

Om te begrijpen waarom data verdwijnt, gebruiken ingenieurs een soort digitale simulatie genaamd TCAD.

• Hoe het werkt: Het is alsof je een film van het ijsblokje maakt, frame per frame, om te zien hoe het smelt.
• Het nadeel: Deze simulatie is extreem traag. Om te zien wat er gebeurt na één dag, duurt het op een supercomputer soms 24 uur. Als je wilt testen of een nieuw ontwerp beter werkt, moet je dit duizenden keren doen. Dat zou jaren duren. Het is als proberen een hele stad te bouwen door elke baksteen met de hand te metselen.

De Oplossing: De "Wiskundige Profeet" (AI)

De onderzoekers (van Georgia Tech, Samsung en NVIDIA) hebben een slimme AI ontwikkeld die dit probleem oplost. Ze noemen het een Physics-Informed Neural Operator (PINO).

Laten we dit uitleggen met een analogie:

1. De Gewone AI (De "Zwarte Doos"):
   Stel je voor dat je een gewone AI leert door hem duizenden foto's van smeltend ijs te laten zien. Hij leert de patronen, maar hij weet niet waarom het ijs smelt. Als je hem een nieuwe situatie voordoet (bijvoorbeeld ijs in een heel hete kamer), kan hij in paniek raken en onzin zeggen, omdat hij de natuurwetten niet echt begrijpt. Hij probeert alleen maar te raden.

2. De Nieuwe AI (De "Wiskundige Profeet"):
   Deze AI is anders. Ze is niet alleen getraind met foto's, maar ze heeft ook de wiskundige regels van de natuur in haar hoofd geprogrammeerd. Ze weet bijvoorbeeld: "IJs smelt altijd sneller als het warmer is" en "De lading kan niet zomaar verdwijnen, hij moet ergens naartoe gaan."

   • De Analogie: Het is alsof je een student niet alleen foto's van een auto toont, maar hem ook de wetten van de fysica leert. Als je hem vraagt hoe een auto remt, geeft hij niet alleen een gok, maar een antwoord dat logisch en wiskundig klopt, zelfs voor situaties die hij nog nooit heeft gezien.

Wat doet deze AI nu precies?

In plaats van 24 uur te wachten op een simulatie, doet deze AI het in één seconde.

• De Snelheid: Het is 10.000 keer sneller dan de oude methode. Wat voor de computer een hele dag duurde, doet de AI nu in de tijd dat je een kop koffie opdrinkt.
• De Nauwkeurigheid: Omdat de AI de natuurwetten respecteert, is het antwoord net zo nauwkeurig als de dure, trage simulatie.
• De Voorspelling: De AI kan niet alleen zeggen of de data verdwijnt, maar ze maakt ook een 3D-kaart van wat er binnenin het chipje gebeurt. Ze ziet precies waar de ladingen weglekken en hoe het elektrische veld verandert.

Waarom is dit belangrijk?

Vroeger moesten ingenieurs raden welk ontwerp het beste was, omdat ze niet snel genoeg konden testen. Het was als het zoeken naar de beste route door een stad zonder kaart, waarbij je elke keer een andere weg moet proberen en uren in de file staat.

Met deze nieuwe AI hebben ze nu een live GPS voor chipontwerp. Ze kunnen duizenden verschillende ontwerpen in seconden testen om te zien welke het langst de data bewaart. Dit betekent dat we in de toekomst snellere telefoons en computers krijgen met geheugen dat veel langer meegaat, zonder dat het ontwerp jaren in beslag neemt.

Samenvattend

Dit paper beschrijft hoe wetenschappers een slimme, snelle AI hebben gebouwd die de wetten van de natuur kent. In plaats van dagenlang te wachten op berekeningen over hoe geheugenchips data verliezen, geeft deze AI het antwoord in seconden. Het is de overgang van het bouwen van een bibliotheek met de hand, naar het hebben van een magische blauwdruk die je direct vertelt hoe je het beste gebouw ontwerpt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND", vertaald en samengevat in het Nederlands.

Titel: Physics-informed AI-versnelde retentieanalyse van Ferroelectric Vertical NAND: Van dag-schaal TCAD naar seconde-schaal surrogate-model

1. Het Probleem

De vraag naar hoogdichtheid opslag blijft groeien, wat leidt tot de ontwikkeling van 3D Vertical NAND (VNAND) flashgeheugen. Traditionele ladingsvallagen (charge trap layers) stuiten echter op beperkingen bij het verder schalen in de z-richting (z-scaling) vanwege de hoge programmeerspanningen die nodig zijn.

• Oplossingsrichting: Ferro-elektrische veld-effecttransistoren (FeFETs) zijn een veelbelovende kandidaat voor Fe-VNAND, omdat ze lagere werkingsspanningen en snellere schakelsnelheden bieden.
• Uitdaging: De betrouwbaarheid, en specifiek de data-retentie, is een kritieke bottleneck. Retentieverlies wordt veroorzaakt door een complex, tijdsafhankelijk samenspel tussen:
  1. Depolarisatie: Het verlies van ferro-elektrische polarisatie door een intern veld.
  2. Detrapping: Het vrijkomen van ladingen (detrapping) aan de diëlektrische interfaces.
• Berekeningsprobleem: Het optimaliseren van het gate-stack-ontwerp (bijv. Tunnel Dielectric Layer - TDL) vereist het verkennen van een enorme parameterruimte. Traditionele Technology Computer-Aided Design (TCAD) simulaties zijn extreem rekenintensief; een enkele simulatie die temperatuur en tijd varieert, kan meer dan 24 uur duren. Dit maakt een uitgebreide ontwerpruimte-exploratie (Design Space Exploration - DSE) onpraktisch.

2. Methodologie

De auteurs stellen een Physics-Informed Neural Operator (PINO)-gebaseerd AI-surrogaatmodel voor om deze simulatiebarrières te overwinnen.

• Apparaatstructuur: Het model is getraind op een FeFET met een geoptimaliseerd gate-stack (HZO/TDL/HZO). De analyse focust op de "Erase" (ERS) toestand, waarbij ladingsopbouw via Fowler-Nordheim-tunneling de depolarisatie tegengaat, maar waar detraping en depolarisatie op de lange termijn leiden tot degradatie.
• Data Generatie:
  • Gebruik gemaakt van Synopsys Sentaurus TCAD voor het genereren van hoogwaardige trainingsdata.
  • Simulaties omvatten het Preisach-model voor ferro-elektrische hysterese en Fowler-Nordheim-tunneling.
  • De dataset omvat variaties in HZO-dikte ($t_{HZO}$), temperatuur ($T$) en retentietijd ($\tau$) tot $10^4$ seconden.
  • Output bestaat uit 2D fysieke kaarten (elektrostatisch potentieel, polarisatie, vastzittende ladingen) en $I_D$-$V_G$-karakteristieken.
• AI-Architectuur (NVIDIA PhysicsNeMo):
  • Fase 1 & 2 (Kern): Een Fourier Neural Operator (FNO) fungeert als de fysieke surrogaat-engine. In tegenstelling tot CNN's die lokale pixels verwerken, voert de FNO globale convoluties uit in het Fourier-domein. Dit stelt het netwerk in staat om de continue oplossing van de onderliggende partiële differentiaalvergelijkingen (PDE's) te leren en scalair input (dikte, temperatuur, tijd) direct naar resolutie-invariante 2D fysieke velden te mappen.
  • Fase 3 (Readout): Een IV-Net (hybride CNN + MLP) voorspelt de uiteindelijke elektrische metingen ($I_D$-$V_G$-curves). Deze gebruikt een "scalar context injection" om globale thermodynamische context (zoals temperatuur) te behouden die niet volledig uit de 2D kaarten te halen is.
• Physics-Informed Loss Functie:
  Om te voorkomen dat het model als een "black box" fysisch onjuiste resultaten levert (zoals niet-monotone ladingdetraping), wordt een dubbele loss-functie gebruikt:
  1. Data Loss: L2-fout tussen voorspelling en TCAD-ground truth.
  2. Physics Loss:
     • Poisson-residu: Straft afwijkingen van de Poisson-vergelijking voor elektrostatica.
     • Monotoniteitsbeperkingen: Garandeert dat remnant polarisatie en vastzittende ladingen monotoon afnemen over de tijd (geen fysiek onmogelijke oscillaties).

3. Belangrijkste Bijdragen

• Snelheid: Het ontwikkelen van een AI-model dat retentieanalyse versnelt met een factor >10.000x ten opzichte van TCAD.
• Fysieke Nauwkeurigheid: Het integreren van fysieke wetten in de loss-functie zorgt ervoor dat het model geldige fysieke gedragingen leert, zelfs bij schaarse trainingsdata (120 TCAD sweeps).
• Interpreteerbaarheid: Het model levert niet alleen elektrische curves, maar ook 2D fysieke kaarten (potentiaal, polarisatie, lading), wat engineers in staat stelt om lokale betrouwbaarheidsmechanismen te visualiseren en te verifiëren.
• Generalisatie: Het model kan succesvol interpoleren naar ongezette temperaturen en tijdsintervallen zonder fysieke artefacten.

4. Resultaten

• Reconstructie Nauwkeurigheid: Het model voorspelt 2D profielen van potentieel, lading en stroomdichtheid met een relatieve fout van ~0,1% vergeleken met TCAD.
• Elektrische Voorspelling:
  • De voorspelling van de drempelspanning ($V_{th}$) bereikt een $R^2 > 0,998$.
  • Het model voorspelt correct de $V_{th}$-verschuiving over $10^4$ seconden.
  • Bij ongezette temperaturen (bijv. 350K tussen 300K en 400K) toont het model fysiek consistente interpolatie, terwijl puur datagedreven modellen vaak onstabiele rimpelingen vertonen.
• Vergelijking Data-driven vs. Physics-Informed:
  • Puur datagedreven modellen (zonder physics loss) vertonen onstabiele rimpelingen in de $I_D$-$V_G$-curves door overfitting op de schaarse dataset.
  • Het PINO-model elimineert deze artefacten en verbetert de Root-Mean-Squared-Error (RMSE) met meer dan 40% ten opzichte van de datagedreven baseline.
• Berekenings-efficiëntie:
  • Een volledige retentie-sweep (TCAD): 60 uur.
  • Dezelfde sweep met AI-surrogaat: ~10 seconden.
  • Dit maakt continue, mesh-vrije ontwerpruimte-exploratie mogelijk.

5. Betekenis en Conclusie

Dit werk markeert een doorbraak in de betrouwbaarheidsanalyse van geavanceerde geheugentechnologieën. Door de combinatie van AI-snelheid met de strikte naleving van fysieke wetten (via PINO), overwint het onderzoek de traditionele trade-off tussen nauwkeurigheid en rekentijd.

• Het stelt chipontwerpers in staat om complexe 3D Fe-VNAND-structuren te optimaliseren voor data-retentie in seconden in plaats van dagen.
• Het model dient als een "digitale twin" die niet alleen voorspellingen doet, maar ook inzicht geeft in de onderliggende fysieke degradatiemechanismen.
• Dit vormt de basis voor toekomstige schaalvergroting naar volledige 3D Fe-VNAND-arrays, waar traditionele TCAD-simulaties volledig onhaalbaar zouden zijn.