On phase separation and crystallization of Ge-rich GeSbTe alloys from atomistic simulations with a machine learning interatomic potential

De auteurs hebben een machine learning interatomair potentiaal ontwikkeld voor Ge-rijke GeSbTe-legeringen, waarmee ze op atomaire schaal de kinetisch gedreven kristallisatie en faseafscheiding tijdens het 'set'-proces van fasegeheugens kunnen simuleren, wat leidt tot metastabiele fasen die afwijken van de thermodynamisch stabiele producten.

De kern

De Digitale "Zandkasteel" van de Toekomst: Hoe Computers Sneller en Slimmer Worden

Stel je voor dat je een digitale schakelaar hebt die niet alleen aan en uit kan, maar ook een geheugen heeft. Dit is wat we een Phase Change Memory (PCM) noemen. Het is de technologie achter de snelle opslag in je computer of de slimme chip in je auto. Deze schakelaar werkt met een speciaal materiaal (een legering van Germanium, Antimoon en Tellurium, kortweg GST) dat kan veranderen van een "slapende" (amorf) toestand naar een "wakke" (kristallijne) toestand, net zoals water dat bevriest tot ijs.

Maar er is een probleem: voor de nieuwe generatie elektronica (zoals in je telefoon of auto) moet dit materiaal hitte kunnen weerstaan zonder per ongeluk wakker te worden. De oplossing? Een materiaal dat rijk is aan Germanium. Maar dit materiaal is lastig: als het wakker wordt, wil het niet netjes in één vorm veranderen, maar het begint te "splijten" in verschillende onderdelen.

Dit artikel vertelt het verhaal van hoe drie onderzoekers (Omar, Dario en Marco) een digitale voorspeller hebben gebouwd om te begrijpen wat er precies gebeurt in dit materiaal, zonder dat ze duizenden jaren aan experimenten hoeven te doen.

1. De Digitale "Super-voorspeller" (Het MLIP)

Stel je voor dat je een kind wilt leren hoe blokken te stapelen. Je kunt het duizenden keren laten proberen (experimenten doen), of je kunt een slimme robot bouwen die alle regels van de zwaartekracht en wrijving heeft geleerd van een enorme database met foto's van blokken.

De onderzoekers hebben precies dat gedaan, maar dan op het niveau van atomen.

• Het probleem: De echte natuurwetten (DFT) zijn zo complex en rekenintensief dat het duurt om te simuleren wat er gebeurt als je een stukje materiaal verwarmt. Het is alsof je elke seconde van een film wilt berekenen door de beweging van elke zandkorrel te volgen.
• De oplossing: Ze hebben een Machine Learning Interatomic Potential (MLIP) ontwikkeld. Dit is een kunstmatige intelligentie (een neuraal netwerk) die is getraind op een enorme database van atomaire berekeningen.
• De analogie: Denk aan dit MLIP als een ultra-slimme kok. Hij heeft duizenden recepten (de database) geleerd van de "grote meester-koks" (de dure natuurwetten). Nu kan hij in een flits voorspellen hoe een nieuw gerecht (een nieuw materiaal) zal smaken en zich zal gedragen, zonder dat hij het echt hoeft te koken. Hij is zo slim dat hij zelfs gerechten kan voorspellen die hij nooit eerder heeft gekookt, zolang ze maar lijken op wat hij kent.

2. De "Scheiding" in de Pan (Fasescheiding)

Wat ontdekten ze toen ze deze slimme kok gebruikten om te kijken wat er gebeurt met het hittebestendige materiaal?

Stel je voor dat je een pan hebt met een soep van groenten (Germanium, Antimoon, Tellurium). Als je de soep snel afkoelt (de "reset" in je geheugen), blijft alles door elkaar. Als je hem weer opwarmt (de "set" of het schrijven van data), zou je denken dat de groenten netjes in hun eigen bakjes verdelen: Germanium hier, Antimoon daar.

Maar de onderzoekers zagen iets verrassends:

• De verwachting: De natuurwetten zeggen dat het materiaal zich moet splitsen in pure Germanium-kristallen en een perfect mengsel van de andere twee.
• De realiteit (op korte termijn): Omdat het proces zo snel gaat (in nanoseconden, miljardsten van een seconde), is er geen tijd voor de groenten om zich perfect te sorteren. In plaats daarvan vormen zich tussenproducten.
  • Er ontstaan kleine eilandjes van een kristal dat lijkt op Germanium-Tellurium (maar met een beetje Antimoon erin).
  • De rest van het materiaal blijft een rommelig, niet-kristallijn mengsel van Germanium en Antimoon.

De Metafoor:
Stel je voor dat je een grote groep mensen (de atomen) in een zaal zet en zegt: "Sorteer je snel in twee groepen: mannen links, vrouwen rechts!"

• Thermodynamica (de lange termijn): Uiteindelijk staan ze perfect gesorteerd.
• Kinetic (de korte termijn, zoals in je computer): Omdat ze het zo snel moeten doen, rennen ze eerst naar de dichtstbijzijnde groep. Je ziet dan tijdelijk groepjes ontstaan die niet perfect zijn gesorteerd, maar wel functioneren voor het moment. De onderzoekers zagen dat het materiaal in je computer deze "tijdelijke, imperfecte" toestand aanneemt, en dat is precies wat het nodig heeft om snel te werken.

3. Waarom is dit belangrijk?

Vroeger wisten wetenschappers niet precies wat er binnenin deze chips gebeurde tijdens het schrijven van data. Ze zagen alleen het eindresultaat. Met deze nieuwe "digitale voorspeller" kunnen ze nu in slow-motion kijken naar atomen die bewegen.

Ze ontdekten dat de snelheid van het proces (de "kinetiek") belangrijker is dan de perfecte thermodynamische stabiliteit. Het materiaal kiest voor de snelste weg, niet de mooiste weg.

Conclusie voor de leek:
De onderzoekers hebben een digitale tijdmachine gebouwd die hen laat zien hoe de geheugenchips van de toekomst werken. Ze hebben bewezen dat deze chips werken door "snelle, imperfecte" kristallisatie in plaats van perfecte sortering. Dit helpt ingenieurs om nog betere, snellere en hittebestendigere chips te bouwen voor de elektronica van morgen. Het is alsof ze de receptuur van de toekomst hebben ontcijferd, zodat we onze telefoons en auto's slimmer kunnen maken.

Technische samenvatting

Titel: Fasescheiding en kristallisatie van Ge-rijke GeSbTe-legeringen vanuit atomaire simulaties met een machine learning interatomair potentieel

Auteurs: Omar Abou El Kheir, Dario Baratella en Marco Bernasconi (Universiteit van Milaan-Bicocca)

---

1. Het Probleem

Fasegeheugens (PCM's) die worden gebruikt in ingebouwde microcontrollers vereisen materialen die bestand zijn tegen hoge temperaturen tijdens het soldeerproces (tot 550 K). Om dit te bereiken worden Ge-rijke GeSbTe-legeringen (GGST) ontwikkeld, die een hogere kristallisatietemperatuur ($T_x > 600$ K) hebben dan de standaard Ge$_2$Sb$_2$Te$_5$ (GST225).

Het fundamentele probleem is dat de kristallisatie van deze niet-stoichiometrische GGST-legeringen complex is:

• Thermodynamica vs. Kinetiek: Thermodynamisch gezien zouden deze legeringen moeten ontleden in pure Germanium (Ge) en stoichiometrische verbindingen zoals Sb$_2$Te$_3$ of GST225. Echter, tijdens de korte "set"-operatie van het geheugen (nanoseconden op schaal) domineren kinetische effecten.
• Onbekende tussenfasen: Experimentele data tonen aan dat er metastabiele tussenfasen ontstaan (zoals GeTe-achtige kristallen), maar de exacte atomaire mechanismen en de rol van kinetiek op de nanoseconde-schaal zijn moeilijk te vangen met traditionele methoden.
• Beperkingen van DFT: Traditionele Dichtefunctietheorie (DFT) simulaties zijn te duur om processen op de nanoseconde-schaal en met voldoende atoomaantallen te simuleren, terwijl klassieke krachtenvelden vaak niet accuraat genoeg zijn voor deze complexe chemische omgevingen.

2. Methodologie

De auteurs hebben een geavanceerde aanpak ontwikkeld om deze schaalproblemen te overwinnen:

• Machine Learning Interatomair Potentieel (MLIP):

  • Er is een nieuw MLIP ontwikkeld met behulp van het DeePMD-kader (Deep Potential Molecular Dynamics).
  • Trainingsdatabase: Het potentieel is getraind op een enorme database van ongeveer 470.000 configuraties, berekend met DFT (PBE-functie). De database omvat elementaire stoffen (Ge, Sb, Te), stoichiometrische verbindingen (GST225, GeTe, Sb$_2$Te$_3$), en niet-stoichiometrische Ge-rijke legeringen (zoals GST523).
  • Iteratief proces: Het potentieel is iteratief verfijnd door metadynamica-simulaties te gebruiken om specifieke interface-configuraties (bijv. Ge-rijke gebieden naast Ge-arme gebieden) te genereren en toe te voegen aan de trainingsset.
  • Validatie: Het potentieel is gevalideerd op energie, krachten, structurele eigenschappen (radiale verdelingsfuncties, coördinatiegetallen) en dynamische eigenschappen (zelfdiffusie) voor zowel de trainingsset als voor composities die niet in de trainingsset zaten (transferabiliteit).

• Simulatieprotocollen:

  • De MLIP werd gebruikt voor moleculaire dynamica (MD) simulaties met LAMMPS.
  • Doel: Simulatie van de kristallisatie met fasescheiding van drie specifieke Ge-rijke legeringen: GST523, GST725 en Ge$_{9.6}$Sb$_2$Te$_5$.
  • Omstandigheden: Simulaties uitgevoerd bij 600 K (operationele temperatuur van het geheugen) op een tijdschaal van enkele nanoseconden.
  • Analyse: Gebruik van Steinhardt-ordeparameters ($Q_4$) om kristalliniteit te detecteren en SOAP (Smooth Overlap of Atomic Positions) met k-means clustering om verschillende chemische en structurele omgevingen te identificeren en te volgen tijdens de transformatie.

3. Belangrijkste Bijdragen

1. Ontwikkeling van een hoogwaardig MLIP: Het eerste MLIP dat specifiek is getraind voor Ge-rijke GeSbTe-legeringen en zeer goed transferabel is naar een groot deel van het ternaire fasediagram, inclusief composities die niet in de trainingsdata zaten.
2. Kinetisch mechanisme ontrafeld: Voor het eerst in detail in kaart gebracht hoe GGST-legeringen ontleden op de nanoseconde-schaal, waarbij kinetiek de thermodynamisch stabiele eindproducten voorkomt.
3. Identificatie van metastabiele fasen: Het aantonen dat de kristallisatie leidt tot een specifieke combinatie van metastabiele fasen die overeenkomen met experimentele waarnemingen in werkende geheugencellen.

4. Resultaten

De simulaties leverden de volgende cruciale inzichten op:

• Fasescheiding: Bij alle onderzochte Ge-rijke composities (GST523, GST725, Ge$_{9.6}$Sb$_2$Te$_5$) treedt fasescheiding vrijwel direct op (binnen 1-3 ns).
  • Er vormen zich gebieden van GeTe-achtige structuur (licht gedoteerd met Sb) en GeSb-achtige amorfe gebieden.
  • Bij de meest Ge-rijke legering (Ge$_{9.6}$Sb$_2$Te$_5$) worden ook zuivere amorfe Ge-clusters waargenomen.
• Kristallisatiepad:
  • Na de fasescheiding vindt nucleatie en groei van kristallen plaats binnen de GeTe-achtige gebieden.
  • Het eindproduct op de nanoseconde-schaal is een kubisch GeTe-kristal (licht gedoteerd met Sb) dat door de hele cel percoleert, omgeven door amorfe GeSb/Ge.
• Verschil met Thermodynamica:
  • Thermodynamisch zou het systeem moeten eindigen in pure Ge en GST225 (of Sb$_2$Te$_3$).
  • De simulaties tonen aan dat dit proces te traag is voor de operationele tijdschaal van het geheugen. De kinetiek "bevriest" het systeem in metastabiele tussenfasen.
• Overeenkomst met Experiment: De resultaten verklaren eerdere experimentele TEM- en EELS-data (Ref. 34) die GeTe-achtige kristallieten en Sb-rijke gebieden waarnamen, maar die moeilijk te interpreteren waren zonder atomaire simulaties.

5. Betekenis en Conclusie

Dit werk is van groot belang voor de ontwikkeling van volgende generatie ingebouwde geheugens:

• Validatie van het ontwerp: Het bevestigt dat de gebruikte Ge-rijke legeringen inderdaad werken via een kinetisch gecontroleerd pad waarbij metastabiele fasen de sleutelrol spelen.
• Interpretatie van data: Het biedt een fundamentele basis om complexe experimentele karakterisering (zoals TEM en EELS) van PCM-cellen correct te interpreteren, waarbij de aanwezigheid van Sb-gedoteerd GeTe wordt bevestigd in plaats van puur stoichiometrisch GST.
• Toekomstige simulaties: De ontwikkelde MLIP maakt het mogelijk om nog realistischere simulaties uit te voeren, inclusief effecten van elektrische velden en temperatuurgradiënten in zeer grote modellen (miljoenen atomen), wat essentieel is voor het optimaliseren van geheugencellen op chip-niveau.

Kortom, de studie toont aan dat machine learning potentieel een brug slaan tussen DFT-accuratesse en de tijdschalen die nodig zijn om het operationele gedrag van geavanceerde fasegeheugens volledig te begrijpen.