使用other-device-parameter值计算compliance-current (CC)的价值。
2021年7月13日,发表在AIP的进步。读了论文全文(开放)。
传统physical-based模型通常被用于模型的resistive-switching行为resistive-switching内存(RSM)。最近,vacancy-based conduction-filament (CF)增长模型用来模拟设备的特点广泛的RSM设备。然而,很少有人关注学习other-device-parameter值(例如,低阻状态,高阻状态,电压,和复位电压)计算compliance-current (CC)值控制CF的大小,从而影响RSM设备的行为。此外,传统CF增长模型通常physical-based模型可以显示精度的局限性。机器学习持有的承诺建模vacancy-based CF增长通过学习other-device-parameter值计算CC值的准确性通过例子,绕过需要解决传统physical-based方程。这里,我们避开精度问题,直接学习other-device-parameter值计算CC值之间的关系通过一个数据驱动的方法对测试设备和各种高精度设备类型使用机器学习。我们首先执行建模与machine-learned设备参数对aluminum-nitride-based RSM设备和能够计算nitrogen-vacancy-based CF的CC值增长只使用几RSM设备参数。这个模型现在可能允许精确的计算RSM设备参数实际设备建模。
傅Karthekeyan Periasamy,七莘Wang Yi, Shao-Xiang走,江,娜塔莎Bajalovic, Jer-Chyi王,德斯蒙德。k .死胡同,”建模电导resistive-switching记忆中通过机器学习”,每年进步11,075315 (2021)https://doi.org/10.1063/5.0052909
imec的计算路线图;美国目标华为;美印。特遣部队;China-Bolivia交易;力量发泄白光干涉测量系统;三星量化可持续性;麦肯锡标识在美国工厂建设问题;发光二极管。
留下一个回复