Комплексный обзор моделирования и симуляции резистивной оперативной памяти (RRAM)

Аннотация

Резистивная оперативная память (RRAM) — الناشняя невидимая технология, требующая точных моделей для проектирования эффективных устройств и стандартизации реализаций. Этот обзор синтезирует физические и феноменологические модели, предложенные для RRAM, детализируя их принципы, сильные и слабые стороны. Он охватывает базовую мемристорную теорию, ключевые экспериментальные прорывы и эволюцию подходов к моделированию — от линейного ионного дрейфа к сложным электротермическим и стохастическим фреймворкам. Сравнивая заметные модели, такие как Chua, HP, Yakopcic, TEAM/VTEAM, Stanford/ASU и другие, мы подчеркиваем роль оконных функций, граничных условий и температурных эффектов. Обзор также обсуждает техники валидации и возникающую потребность в хорошо поставленных, сходящихся моделях, подходящих для SPICE и Verilog-A симуляции. Наша цель — предоставить унифицированную ссылку, направляющую исследователей в разработке точных, масштабируемых RRAM моделей для будущих приложений.

Введение

Сince Леона О. Чуа 1971 концепции мемристора [1] и его расширения к мемристивным системам Чуа и Кангом [2], исследовательский интерес взошел в начале 2000-х, движимый потребностью в масштабируемых, низкоэнергопотребляющих, невидимых памяти. 2008 демонстрация TiO_x-базированного переключения Струковым и др. [3] установила связь между мемристивной теорией и экспериментом, раскрывая характерную зажимаемую гистерезис в токовольтовых (I-V) кривых [4,5]. Последующие устройства — OxRRAM, CBRAM и другие — категоризируются их переключающими механизмами и стимулировали обширные усилия по моделированию.

Преимущества RRAM включают высокую плотность, низкое энергопотребление, быстрое переключение и CMOS совместимость [14–42]. Его простая металл-изолятор-металл (MIM) структура переключается между состоянием низкого сопротивления (LRS) и состоянием высокого сопротивления (HRS), кодируя бинарные данные. Преобладающий механизм для бинарного оксид-базированного RRAM — формирование и разрыв проводимых нитей (CF), движимых дрейфом кислородных ионов/вакансий [9,16,46,48,49]. Производительность устройства сильно влияет выбор активного оксидного слоя (например, HfO_x, TiO_x, NiO_x) [53–66].

Важность RRAM моделирования

Точные модели позволяют глубокое понимание физики устройства, направляют дизайн оптимизацию и облегчают интеграцию в цепные симуляторы. Ранние модели фокусировались на фундаментальных мемристорных уравнениях (Chua, 1971) и позже на HP линейном ионном дрейфе модели (Strukov et al., 2008) [3]. Последующие модели вводили нелинейный дрейф [46,68], экспоненциальный дрейф [69] и туннельные барьерные подходы [70–72]. Современные фреймворки — Yakopcic, TEAM/VTEAM, Stanford/ASU и электротермические модели — включают пороговые напряжения, температурную динамику и стохастические эффекты для захвата реального поведения.

RRAM модели для биполярных устройств

Chua модель

Чуа определение мемристора связывает поток (φ) и заряд (q) через M(q)=dφ/dq и W(φ)=dq/dφ, ведущие к напряжению и току отношения v(t)=M(q)i(t) и i(t)=W(φ)v(t) [1]. Упрощенно, модель становится v=R(w)i и dw/dt=i, где w — внутреннее состояние. Модель захватывает мемристивный память эффект, но лишена физического реализма для оксид-базированного RRAM.

Линейная ионная дрейф модель

HP 2008 модель описывает TiO₂ мемристор с переменными сопротивлениями R_ON и R_OFF, управляемыми dw/dt=μ_vR_ON/D i(t) и v(t)=[R_ONw/D+R_OFF(1−w/D)]i(t) [13,14]. Модель проста, но захватывает биполярное переключение, хотя игнорирует граничные нелинейности.

Нелинейная ионная дрейф модель

Янг и др. [46] ввели гиперболический синус терм для моделирования нелинейного дрейфа: I=wⁿβ sinh(αv)+χ(e^γv−1) [17]. Лехтонен и Лайхо [68] расширили это общим дифференциальным уравнением dw/dt=a f(w) g(v) где g(v)=v^q [19]. Эти модели лучше соответствуют экспериментальным I-V кривым, но увеличивают вычислительную сложность.

Экспоненциальная ионная дрейф модель

Струков и др. [69] рассматривали поле-зависимую дрейф скорость: ν≈f_ea_pe^−E_a/kT sinh(qEa_p/2kT) [21]. Соотношение τ_store/τ_write∼ELμ/D≈qEL/k_BT квантифицирует летучесть против скорости записи [20]. Подходя для ионных кристаллов, она упускает электрохимические реакции в ковалентных системах.

Симмонс туннельный барьер модель

Пикетт-Адабалла и др. [70–72] моделировали ширину туннельного барьера w как переменную состояния, с током I, определенным Симмонс формулой [22–25]. Динамика состояния dw/dt зависит от тока и включает гиперболические синус функции [28–29]. Эта физическая-базированная модель точно воспроизводит I-V гистерезис, но не имеет явных граничных условий.

Yakopcic модель

Yakopcic модель расширяет Симмонс фреймворк, вводя пороговое напряжение g(v) [31] и оконную функцию f(w) [32–35] для ограничения переменной состояния. Внутреннее состояние эволюционирует как dw/dt=g(v)f(w) [36], позволяя точную симуляцию как биполярного, так и нейроморфного поведения. SPICE реализации достигли <6% ошибки по разным устройствам [73,74].

TEAM/VTEAM модель

TEAM (Threshold Adaptive Memristor) [75–76] моделирует производную состояния как функцию токовых порогов, в то время как VTEAM (Voltage-Threshold Adaptive Memristor) заменяет токовые пороги на напряженные [77]. Оба используют экспоненциальные мемристанс отношения и включают оконные функции для принуждения границ [37–42]. Они предлагают компактные, эффективные уравнения, подходящие для крупномасштабной SPICE симуляции.

Stanford/ASU модель

Гуань и др. [78–80] фокусировались на динамике роста нити, рассматривая зазор нити g как переменную состояния. Скорость роста управляется ν₀exp(−E_a/kT) sinh(qγv/LEkT) [43], с стохастическими вариациями, добавленными через шумовой терм δ_g [44]. Модель включает Джоулево нагревание и температурную эволюцию, валидированную против HfO_x устройств [78].

Физические электротермические модели

Ким и др. [87] и Хуанг и др. [88–89] разработали конечно-элементные модели, захватывающие ширину CF, зазор, температуру и вакансийную динамику используя дрейф-диффузионные уравнения [48–50]. Эти модели достигают высокой точности, но сложны для реализации в SPICE из-за частных дифференциальных уравнений.

Bocquet биполярная модель

Bocquet и др. [90,92] ввели однопареметрическую модель, основанную на электрохимических реакциях оксиления-восстановления и температурно-зависимом растворении нити [58–60]. Модель использует усеченную конусную геометрию CF и включает детальные токовые компоненты: CF, субоксид и pristine вклады [67–70].

Berco-Tseng модель

Berco-Tseng Монте-Карло фреймворк [171–175] симулирует нуклеацию и рост CF через критерии Гиббса свободной энергии, захватывая стохастическое формирование нити без явной временной эволюции.

Gonzalez-Cordero и др. биполярная модель

Принимая усеченную-конусную CF, эта модель использует двойные температуры (горячие и холодные регионы) и уточненную оксиление-восстановление кинетику для точной симуляции биполярного переключения [93]. Она предлагает Verilog-A реализацию, подходящую для нейроморфных цепей.

RRAM модели для униполярных устройств

Случайная схема размыкателей сеть модель

Введенная Но и др. [182], эта перколяционная модель представляет устройство как сеть размыкателей, захватывая стохастическое формирование и разрыв нитей, наблюдаемое в C-AFM исследованиях [17].

Нить растворение модель

Руиз и др. [82–84] фокусируются на Джоулево-нагретом нити разрыве, решая связанные Пуассона и тепловые уравнения для определения скорости растворения ν_DIS [98]. Модель расширена до биполярной операции Ларентис и др. [85,86], включающей дрейф-диффузию кислородных вакансий [100–103].

Bocquet униполярная модель

Сочетая электрохимическое восстановление для set и термическое растворение для reset, эта модель использует Бутлер-Вольмер кинетику и гиперболический синус растворения терм для захвата униполярного поведения [105–107].

Оконные функции модели

Оконные функции ограничивают внутреннюю переменную состояния физическими границами. Ключевые функции включают Джоглекар [94], Биолек [95], Бендерли-Уэй [96], Шин [97], Продромакис [98] и BCM функцию [99]. Каждая вводит параметры (p, α, β) для настройки нелинейного дрейфа у границ устройства и улучшения сходимости в SPICE и Verilog-A симуляциях.

Валидация моделей

Валидация включает сравнение симулированных I-V кривых с экспериментальными данными, решение дифференциальных уравнений в MATLAB или COMSOL, и проведение in-situ визуализации (C-AFM, EFM, TEM) для валидации динамики нитей [192–194].

Хорошо поставленные мемристивные системные определения

Ванг и Чаудхури [100] адресовали некорректность, переопределяя гистерезис используя внутреннее состояние s(t) с управляющими уравнениями i(t)=f₁(v,s) и ds/dt=f₂(v,s). Они ввели гладкие клиппинг функции для принуждения физических границ и новый sinhlim лимитирующий функцию для SPICE сходимости [146]. Их MAPP платформа демонстрирует DC, AC, транзиентные и PSS анализы по разным моделям.

Новые RRAM приложения

Новые материалы — графен, аморфный углерод, TMDs — сохраняют биполярные переключающие механизмы, позволяя адаптировать существующие модели. Нейроморфовые вычисления используют аналоговое поведение RRAM; однако точное моделирование цикл-к-циклу вариабельности и AC стресса остается активной областью исследований [200,201].

Заключение

Мы отобразили ландшафт RRAM моделирования, от ранней мемристорной теории до продвинутых электротермических и стохастических фреймворков. Хотя ни одна модель не захватывает все материальные и процессные вариации, обобщенные шаблоны и хорошо поставленные техники, представленные здесь, предлагают надежный фундамент для будущей разработки моделей и надежной цепной симуляции.