基于机器学习原子势函数的 Ge 富集 GeSbTe 合金相分离与晶体化研究
材料科学
2026-04-16 v1 无序系统与神经网络
摘要
我们开发了用于单片机中嵌入式相变存储器应用的 Ge 富集 GeSbTe 合金的机器学习原子势函数（MLIP）。该 MLIP 采用神经网络方法，对基于密度泛函理论计算的 elemental、binary、stoichiometric 和 non-stoichiometric 三元合金能量与力数据库进行拟合。结果表明该 MLIP 对相图中大范围区域具有高度的可迁移性，尤其是包含在数据集中的组成区域。随后，我们利用该 MLIP 模拟了三个 Ge 富集合金在 Ge-SbTe 和 Ge-GeSbTe 构成线上的晶体化相分离过程，这对应于存储器单元的设置工艺。在纳秒时间尺度和 600 K 温度下（相当于存储器操作条件），结果显示形成略带 Sb 掺杂的晶体 cubic GeTe 以及无定形 GeSb 和 Ge metastable 相。这些相与热力学稳定产物不同，源于相变存储器设置操作短时间尺度内动力学效应的影响。
引用
@article{arxiv.2604.13843,
title = {On phase separation and crystallization of Ge-rich GeSbTe alloys from atomistic simulations with a machine learning interatomic potential},
author = {Omar Abou El Kheir and Dario Baratella and Marco Bernasconi},
journal= {arXiv preprint arXiv:2604.13843},
year = {2026}
}