П.Е. Троян1, М.А. Свириденко2

1,2 Томский государственный университет систем управления и радиоэлектроники (г. Томск, Россия)

Постановка проблемы. Основой мемристора является структура металл-диэлектрик-металл. По этой причине исследование электрических характеристик структур, обладающих мемристивным эффектом, является актуальной проблемой.

Цель. Оценить влияние микрорельефа нижнего электрода и толщины диэлектрика на электрическую прочность и процесс формовки структур Al−SiO2−Al.

Результаты. Исследованы структуры Al−SiO2−Al. Изучено влияние микрорельефа нижнего алюминиевого электрода, нанесенного на стеклянную подложку методом термического испарения в вакууме 2∙10−5 мм рт.ст., при различных температурах подложки в процессе осаждения, и толщины слоя диоксида кремния, полученного методом магнетронного распыления мишени в смеси газов Ar+O2, на электрическую прочность Eпр структур металл-диэлектрик-металл и напряженность электрического поля Eф, необходимого для протекания процесса электрической формовки, после которой структура металл-диэлектрик-металл способна работать как элемент памяти мемристорного типа. Показано, что электрическая прочность Eпр и напряженность электрического поля Eф существенно зависят от соотношения степени микрорельефности нижнего электрода и толщины диэлектрического слоя. Экспериментально установлено, а расчетами подтверждено, что для успешного протекания процесса электрической формовки, не ограниченного явлением пробоя МДМ-структуры, существует диапазон толщины диэлектрика, внутри которого коэффициент усиления поля является минимальным и пробой не возникает, а формовка возможна. Отмечено, что диапазон толщин, где наблюдаются минимальные значения β, зависит от высоты микроострия и радиуса закругления. Расчетным путем показано, что диапазон толщин диэлектрика, где β минимально, составляет 25…30 нм при высоте микроострия h = 20 нм, 50…60 нм при h = 30 нм, 55…65 нм при h = 40 нм, 75…85 нм при h = 45 нм.

Практическая значимость. Экспериментальная зависимость электрической прочности Eпр и напряженности электрического поля формовки Еф от толщины диэлектрика позволяет определить оптимальный диапазон толщин диэлектрика для создания элемента памяти, равный 20…60 нм, который может быть расширен до 15…75 нм. Критерием оптимальности является наибольшее значение разницы Eпр и Еф. Дано обоснование границ возможных значений толщин диэлектрического слоя для проведения процесса формовки в отсутствии электрического пробоя МДМ-структур.

1. Demin V.A., Surazhevsky I.A., Emelyanov A.V., Kashkarov P.K., Kovalchuk M.V. Sneak, discharge, and leakage current issues in a high-dimensional 1T1M memristive crossbar // J. Comput. Electron. 2020. P. 565−575.
2. Demin V.A., Nekhaev D.V., Surazhevsky I.A., Nikiruy K.E., Emelyanov A.V., Nikolaev S.N., Rylkov V.V., Kovalchuk M.V. Necessary conditions for STDP-based pattern recognition learning in a memristive spiking neural network // Neural Networks. 2021. P. 64−75.
3. Ebragim A.H., Udovechenko S.Yu. Automatic building of electrical circuits of biomorphic neuroprocessor units and visualization of their numerical simulation // Lecture Notes in Networks and Sustems book series (LNNS). 2022. P. 16−23.
4. Суражевский И.А., Миннеханов А.А., Демин В.А. Модель импульсного нейрона для дофаминоподобного обучения нейроморфных систем с мемристивными синоптическими весами // Российские нанотехнологии. 2021. № 2. С. 269−277.
5. Бусыгин А.Н., Ибрагим А.Х., Удовиченко С.Ю. Математическое моделирование процессов резистивного переключения в мемристоре на основе полной модели процессов массопереноса кислородных вакансий и ионов // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2022. Т. 8. № 4. С. 198−214.
6. Удовиченко С.Ю., Ибрагим А.Х. Алгоритмы для построения и моделирования работы больших электрических цепей с мемристорно-диодными кроссбарами в боиморфном нейропроцессоре // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2022. Т. 8. № 4. С. 163−178.
7. Wan W., Kubendran R., Schaefer C., Eryilmaz S.B., Zhang W., Wu D., Deiss S., Raina P., Qian H., Gao B., Joshi S., Wu H., Wong H.-S.P., Cauwenberghs G. A compute-in-memory chip based on resistive random-access memory // Nature. 2022. P. 504−512.
8. Kvatinsky S., Ramadon M., Friedman E.G., Kolodny A. VTEAM: IEEE Trans. Circuits Syst. II Express Briefs. 2015. P. 786−790.
9. Писарев А.Д., Бусыгин А.Н., Ибрагим А.Х., Удовиченко С.Ю. Моделирование процессов декодирования информации в входном устройстве биоморфного нейропроцессора // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2020. Т. 6 № 4. С. 179−193.
10. Троян П.Е., Сахаров Ю.В. Электрическая формовка тонкопленочных структур металл-диэлектрик-металл в сильных электрических полях. Томск: Томский гос. ун-т систем управления и радиоэлектроники. 2013. 248 с.
11. Воробьев Г.А., Мухачев В.А. Пробой тонких диэлектрических пленок // М.: Сов. Радио. 1977. С. 72.