A critical analysis of the quantum point contact model of conduction in Ta2O5-based resistive switching memories

Abstract

Redox-based resistive random access memories (ReRAMs) are promising candidates to implement a new class of memories, called storage class memories (SCMs). These are meant to achieve small latency times, at an affordable price, fitting in between Flash memories and dynamic RAMs (DRAMs). ReRAMs are also being applied in the neural network field of research, given their ability to emulate synaptic plasticity.Thus, there is a growing interest in studying this class of devices, known as memristive, or resistive switching, devices. This work focuses on the conduction mechanisms proposed to model the electrical current in RS devices. One in particular, called quantum point contact (QPC), was studied in depth. With this intent, a Pt/Ta/Ta2O5/Pt memrisive device was studied, and current-voltage (𝐼−𝑉) curves for both resistance states obtained. This was repeated for various values of applied current compliance. A mathematical method for applying the QPC model was then developed, involving the Gauss-Newton and Levenberg-Marquardt algorithms. The latter was used with a heuristic approach to the regularization weight, to facilitate its application en masse. The convergence rates, influence of starting parameters and goodness of fit were all measured and accounted for in developing this approach. Two approximations of this model were considered. In the first, only the first subband in the conducting channel contributes to the conduction. In the second, the barrier height is fixed, in addition to the first approximation. The original model was found to be hard to apply: the starting parameters had a large influence on the fitting results, and the algorithm was not robust. The first approximation was able to provide good fits to the data, and to do so better than the other conduction mechanisms considered. However, its physical basis was criticized, and certain considerations in interpreting the results must be taken. The second approximation was argued against. It was able to provide adequate fits to the experimental data, but the parameters’ evolution failed to match the model’s predictions.

As memórias resistivas de acesso aleatório baseadas em redox (redox-based resistive random access memories, ou ReRAMs) são candidatas promissoras para implementar uma nova classe de memórias, denominadas memórias de classe de armazenamento (storage class memories, ou SCMs). Estas destinam-se a alcançar baixos tempos de latência, a um preço acessível, encaixando-se entre as memórias Flash e as RAMs dinâmicas (dynamic RAMs, ou DRAMs). ReRAMs também estão a ser aplicadas no campo de pesquisa de redes neurais, dada a sua capacidade de emular a plasticidade sinática. Como tal, há um interesse crescente em estudar esta classe de dispositivos, conhecidos como dispositivos memristivos, ou com comutação resistiva (resistive switching, ou RS). Este trabalho foca-se nos mecanismos de condução propostos para modelar a corrente elétrica em células com RS. Um em particular, denominado contacto de ponta quântico (quantum point contact, ou QPC), foi estudado em profundidade. Para tal, um dispositivo memristivo de Pt/Ta/Ta2O5/Pt foi estudado, e curvas de corrente-tensão (𝐼−𝑉) obtidas para ambos os estados de resistência. Isto foi repetido para vários valores da conformidade de corrente aplicada. Um método matemático para aplicação do modelo QPC foi então desenvolvido, envolvendo o uso dos algoritmos de Gauss-Newton e Levenberg-Marquardt. Este último foi utilizado com uma abordagem heurística para o peso de regularização, de forma a facilitar a sua aplicação em massa. As taxas de convergência, influência dos parâmetros iniciais e adequação do ajuste foram todas medidas e contabilizadas no desenvolvimento desta abordagem. Duas aproximações deste modelo foram consideradas. Na primeira, apenas a primeira subbanda no canal condutor contribui para a condução. Na segunda, a altura da barreira é fixa, para além da primeira aproximação. Determinou-se que o modelo original era difícil de aplicar: os parâmetros iniciais apresentaram uma grande influência nos resultados do ajuste, e o algoritmo não foi robusto. A primeira aproximação foi capaz de fornecer bons ajustes aos dados, e de fazê-lo melhor do que os outros mecanismos de condução considerados. Contudo, a sua base física foi criticada, e certas considerações na interpretação dos resultados devem ser tomadas. Argumentou-se contra a segunda aproximação. Esta foi capaz de fornecer ajustes adequados aos dados experimentais, mas a evolução dos parâmetros não correspondeu às previsões do modelo.