类型b
沈雪阳、褚瑞轩、蒋宜辉和张伟来自西安交通大学金属材料强度国家重点实验室材料创新设计中心（Center for Alloy Innovation and Design, CAID），于2024年10月在《金属学报》（Acta Metallurgica Sinica）第60卷第10期发表了题为“相变存储器材料设计与多尺度模拟的研究进展”（Progress on Materials Design and Multiscale Simulations for Phase-Change Memory）的综述文章。本文聚焦于相变存储材料（Phase-Change Materials, PCM）的设计与多尺度模拟研究进展，探讨了计算驱动和数据驱动方法在相变存储材料研究中的应用，并展望了该领域未来的发展方向。
第一性原理分子动力学（AIMD）是研究相变存储材料微观结构演化的重要工具。通过AIMD模拟，可以揭示非晶态和晶态之间的结构转变机制。例如，Caravati等和Akola等首次独立报道了Ge2Sb2Te5（GST）非晶态的AIMD计算结果，表明非晶GST中存在大量以Ge和Te原子为中心的缺陷八面体结构以及四元基环（ABAB环）。这些发现与实验结果一致，证明了AIMD在解释相变材料结晶形核过程中的重要作用。此外，随着模型尺寸从数百原子扩展到上千原子，AIMD模拟的时间尺度也从数十皮秒提升至数纳秒，为研究非晶结构弛豫、熔化行为和结晶化机理提供了关键理论支撑。
支持证据： - Caravati等和Akola等的AIMD研究表明，非晶GST中超过80%的环为ABAB环。 - Xu等对Ge1Sb2Te4合金进行了包含1008个原子的大尺度AIMD计算，揭示了界面生长结晶过程的细节。
高通量材料筛选与设计方法显著加速了新型相变存储材料的开发。Rao等利用高通量筛选方法针对相变材料的本征形核特性进行设计，成功开发出Sc0.2Sb2Te3（SST）合金。该材料通过掺杂Sc元素提升了ABAB环的高温稳定性，从而加速了结晶化过程。实验结果显示，基于SST的相变存储器件的SET时间可缩短至约700 ps，突破了传统GST合金的性能瓶颈。
支持证据： - Rao等的实验验证表明，SST器件的SET速度达到了缓存级水平。 - Liu等利用Materials Project数据库筛选出52种新型相变材料，包括MnBi2Te4、TlBiTe2等，为后续研究提供了候选材料。
由于第一性原理计算在时间和空间尺度上的限制，难以直接应用于器件级别的仿真。因此，多尺度模拟和跨尺度模拟成为连接微观材料结构与宏观器件性能的重要桥梁。Wang等将密度泛函理论（Density Functional Theory, DFT）计算得到的光学性质传递至有限差分时域（Finite-Difference Time-Domain, FDTD）仿真软件Lumerical，实现了对光波导器件的多尺度模拟。此外，机器学习势函数（Machine Learning Potential, MLP）的发展使得跨尺度模拟成为可能。例如，Zhou等开发的Gaussian近似势（GAP）函数大幅提升了Ge-Sb-Te合金分子动力学模拟的效率，同时保持了DFT级别的计算精度。
支持证据： - Wang等的多尺度模拟结果表明，基于Sb2Te1的光波导器件的透过率对比窗口可达40%，优于传统的Ge-Sb-Te器件。 - Zhou等的GAP-GST-22势函数能够高效描述Ge-Sb-Te合金的晶体、非晶和液态结构特征，且已完全开源。
机器学习势函数的开发为相变存储材料的跨尺度模拟提供了新的可能性。目前常见的机器学习势方法包括神经网络（Neural Network, NN）、图卷积神经网络（Graph Convolutional Neural Networks, GCN）和Gaussian近似势（GAP）。这些方法通过构建描述符量化原子局部环境，并利用DFT计算的能量和受力数据作为参考数据库，训练出能够快速准确预测大尺度模型能量和受力情况的势函数。例如，Wang等开发的图卷积网络势能够精确描述Sb-Te二元合金的晶体、非晶和液态结构特征，且与DFT结果高度吻合。
支持证据： - Sosso等开发的GeTe合金机器学习势成功再现了其液态、晶态和非晶态的结构特征。 - Mocanu等利用GAP方法实现了包含7200个原子的Ge2Sb2Te5模型的分子动力学模拟。
本文全面综述了相变存储材料设计与多尺度模拟的研究进展，展示了计算驱动和数据驱动方法在材料科学中的广泛应用。通过结合第一性原理计算、高通量筛选、多尺度模拟和机器学习势函数，研究人员能够在原子尺度上深入理解相变材料的结构与性能关系，从而指导新型相变存储器件的设计与优化。这些研究不仅推动了相变存储技术的发展，还为其他先进材料领域的研究提供了重要参考。未来，随着高性能计算、大数据和人工智能技术的进一步融合，相变存储材料的研究将在理论与实验层面取得更多突破，为下一代存储与计算技术奠定坚实基础。