خرید و دانلود ترجمه فارسی مقاله طراحی خازن های Hf0.5Zr0.5O2 با استقامت بالا از طریق بازیابی مهندسی شده خستگی برای حافظه فروالکتریک غیر فرار و سخت افزار نورومورفیک

چکیده

Heavy computational demands from artificial intelligence (AI) leads the research community to explore the design space for functional materials that can be used for high performance memory and neuromorphic computing hardware. Novel device technologies with specially engineered properties are under intense investigation to revolutionize information processing with brain-inspired computing primitives for ultra energy-efficient implementation of AI and machine learning tasks. Ferroelectric memories with ultra-low power and fast operation, non-volatile data retention and reliable switching to multiple polarization states promises one such option for non-volatile memory and synaptic weight elements in neuromorphic hardware. For quick adaptation of industry, new materials need complementary metal oxide semiconductor (CMOS) process compatibility which brings a whole new set of challenges and opportunities for advanced materials design. In this work, we report on designing of back-end-of-line compatible ferroelectric Hf0.5Zr0.5O2 capacitors that are capable of recovery from fatigue multiple times reaching 2Pr > 40 microC cm-2 upon each retrieval. Our results indicate that with specifically engineered material stack and annealing protocols, it is possible to reach endurance exceeding 10^9 cycles at room temperature that can lead to ultralow power ferroelectric non-volatile memory components or synaptic weight elements compatible with online training or inference tasks for neuromorphic computing.

چکیده به فارسی (ترجمه ماشینی)

خواسته های محاسباتی سنگین از هوش مصنوعی (AI) باعث می شود تا جامعه تحقیقاتی فضای طراحی را برای مواد کاربردی که می تواند برای حافظه با کارایی بالا و سخت افزار محاسبات عصبی استفاده شود ، کشف کند.فن آوری های جدید دستگاه با خصوصیات ویژه مهندسی شده در حال بررسی شدید برای تحول در پردازش اطلاعات با بدوی محاسبات با الهام از مغز برای اجرای کارآمد با انرژی فوق العاده از AI و کارهای یادگیری ماشین هستند.خاطرات فروالکتریک با قدرت فوق العاده کم و عملکرد سریع ، احتباس داده های غیر فرار و سوئیچینگ قابل اعتماد به حالت های قطبی سازی متعدد نوید می دهد که گزینه ای برای حافظه غیر فرار و عناصر وزن سیناپسی در سخت افزار عصبی باشد.برای سازگاری سریع صنعت ، مواد جدید به سازگاری فرایند نیمه هادی اکسید فلزی مکمل (CMOS) نیاز دارند که مجموعه ای کاملاً جدید از چالش ها و فرصت ها را برای طراحی مواد پیشرفته به ارمغان می آورد.در این کار ، ما در مورد طراحی خازن های سازگار با خط برگه HF0.5ZR0.5O2 که قادر به بازیابی از خستگی هستند چندین بار به 2PR> 40 CM-2 در هر بازیابی می توانند بازیابی کنند.نتایج ما نشان می دهد که با پروتکل های پشته و پشته مواد به طور خاص مهندسی شده ، می توان با استقامت بیش از 10^9 چرخه در دمای اتاق که می تواند منجر به اجزای حافظه غیر واکسینه ای فروالکتریک یا عناصر وزن سیناپسی شود ، سازگار با آموزش آنلاین یا کارهای استنتاج باشد.برای محاسبات عصبی.