Stochastisches Sauerstoffvacanz-Modell erklärt Variabilität in RRAM-Zellen

Zusammenfassung

Variabilität in Widerstands-basierten Zufallszugriffsspeicherzellen (RRAM) war eine der kritischen Herausforderungen für die Entwicklung hochdichter RRAM-Arrays. Während die Quellen der Variabilität während des Widerstandsschaltens für verschiedene Übergangsmetalloxidfilme variieren, wird die stochastische Generierung/Rekombination von Sauerstoffvacanzen allgemein als dominierende Ursache angesehen. Durch Analyse experimenteller Daten wird ein stochastisches Modell etabliert, das die nachfolgenden Schaltcharakteristiken mit den Anfangszuständen von Kontakt-RRAM-Zellen verknüpft. Durch Kombination eines Leitungsnetzwerkmodells und des Fallen-assistierten Tunnelmechanismus werden die Auswirkungen von Konzentration und Verteilung intrinsischer Sauerstoffvacanzen in RRAM-Dielektrikumfilmen mittels Monte-Carlo-Simulation demonstriert. Messdaten an Kontakt-RRAM-Arrays stimmen gut mit den vom Modell basierend auf zufällig verteilten intrinsischen Vacanzen projizierten Charakteristiken überein. Eine starke Korrelation zwischen Formierungscharacteristiken und Anfangszuständen wird verifiziert, was Formierungsverhalten mit prä-formierenden Sauerstoffvacanzen verknüpft. Diese Studie bietet ein umfassendes Verständnis der Variabilitätsquellen in Kontakt-RRAM-Geräten und ein Reset-Trainingsschema zur Reduzierung der Variabilität in nachfolgenden RRAM-Zuständen.

Hintergrund

Widerstands-basierter Zufallszugriffsspeicher (RRAM) wird als vielversprechende nichtflüchtige Datenspeicherlösung angesehen, aufgrund wünschenswerter Merkmale wie niedriger Stromverbrauch, hohe Programmier-/Löschgeschwindigkeit und überlegene Kompatibilität mit CMOS-Logikprozessen. Allerdings gibt es noch viele Hindernisse, um RRAM-Speicher-Arrays einfach in aktuellen State-of-the-Art CMOS-Schaltungen zu implementieren. Eine der Hauptforderungen in großen RRAM-Arrays liegt in der Variation zwischen und innerhalb von Zellen. Viele Modelle und Simulationen wurden vorgeschlagen, um den stochastischen Generierungs-/Rekombinationsprozess von Sauerstoffvacanzen (Vo-) in Übergangsmetalloxidfilmen (TMO) zu beschreiben. Kim und Brivio schlugen zufällige Schaltnetzwerkmodelle vor, um die typischen elektrischen Charakteristiken von unipolaren und bipolaren RRAM zu emulieren. Allerdings waren die Widerstände in diesen Studien alle konstant eingestellt, ohne Elektronentransport im RRAM-Film zu berücksichtigen. Außerdem diskutieren vorgestellte Modelle stochastische Prozesse von RRAM von einer Einzelgeräte-Ebene statt statistischer Analyse, sodass die Variabilität des RRAM-Verhaltens in einem Array in vorherigen Arbeiten nicht gut adressiert und diskutiert wurde. Darüber hinaus wurde das Vorhandensein von Defekten in Dielektrikumfilmen während der Fertigung seit vielen Jahren ausführlich untersucht, aber dessen Einfluss auf Widerstandsschaltcharakteristiken in RRAM muss für die Technologieanwendung in großen Speichermakros noch umfassend analysiert werden. Um den Effekt der intrinsischen Vo-Verteilung auf RRAM-Charakteristiken zu untersuchen, wird ein Widerstandsnetzwerk modelliert auf dem Fallen-assistierten Tunnelmechanismus für weitere statistische Analyse der Variation und während Operationen in dieser Studie aufgebaut. Daneben wird der stochastische Generierungsprozess von Vo- durch Monte-Carlo-Methode simuliert, um die Korrelation zwischen RRAM in seinen Anfangszuständen und den folgenden Formierungscharakteristiken herzustellen. Die starke Korrelation zwischen intrinsischen Vo- und Formierspannung wird durch Verifizierung der Simulationsergebnisse mit Messdaten an Kontakt-RRAM-Arrays etabliert. Schließlich werden verschiedene Arten von leitenden Filamenten (CF), die generiert werden, und Widerstandszustandsvariation nach Formieroperationen als Ergebnis der intrinsischen Vo-Verteilung projiziert und umfassend untersucht. Zusätzlich wird eine Lösung zur Linderung der Auswirkungen von prä-formierenden Vo- auf Variabilität in dieser Studie vorgeschlagen und demonstriert.

Methoden

Messdaten für weitere statistische Analysen zur Variabilität wurden von 16 × 16 Kontakt-RRAM (CRRAM) Arrays gesammelt, die in 28-nm CMOS-Logikprozessen gefertigt wurden, wobei der Fertigungsprozess von CRRAM in Abb. 1 illustriert ist. Die Widerstandsschutzoxid-Schicht (RPO) und die Zwischenschichtdielektrikum (ILD) werden zuerst abgeschieden, nachdem der Front-End-Prozess mit den gebildeten Transistoren abgeschlossen ist. Um einen funktionalen Widerstandsschaltfilm zu konstruieren, wird eine geeignete Kontaktlochgröße, Kontaktgröße 30 nm × 30 nm, durchgeführt, um Kurzschluss des W-Plugs und der n⁺-Diffusionsregion zu verhindern. Schließlich werden Barriereschicht, TiN und Wolframplug einzeln abgeschieden. Der Querschnitts-TEM-Bild von CRRAM ist in Abb. 2a gezeigt. Wie im Bild ersichtlich, ist CRRAM seriell mit einem n-Kanal-Selektor-Transistor verbunden. Eine 1T1R-Struktur wird übernommen, um ordnungsgemäße Selektion in einem Array zu gewährleisten und Überschwinger zu verhindern. Abbildung 2b zeigt das Zusammensetzungsmapping von CRRAM. Seine Übergangsmetalloxid (TMO) Schicht, mit 9 nm Dicke, bestehend aus TiN/TiON/SiO₂ gestapelt, ist zwischen der oberen Wolfram- und unteren Siliziumelektrode gebildet. Nach Gerätefertigung werden elektrische Analyse und physikalisches Modellbau in dieser Studie durch Agilent 4156C Halbleiterparameteranalysator und MATLAB Softwareplattform jeweils abgeschlossen.

Wie in einer früheren Studie berichtet, findet sich eine breite Verteilung von Anfangszuständen auf CRRAM-Array. Um den Ursprung der Anfangszustandsvariation zu untersuchen, werden Dicken der TMO-Schicht mit unterschiedlichen Anfangswiderständen in Abb. 3 zuerst verglichen. Daten deuten auf keinen signifikanten Dickenunterschied zwischen den beiden Zellen mit großem Unterschied in den Anfangswiderstandsniveaus hin. Viele Studien haben berichtet, dass Vo- in Dielektrikum- oder RRAM-Filmen während der Fertigung generiert werden, was impliziert, dass der Unterschied in Anzahl und Dichte von Vo- für die Anfangsleitfähigkeitsvariationen verantwortlich sein soll.

Ergebnisse und Diskussion

Intrinsisches Vacanz-Verteilungsmodell

Um die Wechselwirkungen zwischen intrinsischen Vo- zu emulieren, wird ein Widerstandsnetzwerkmodell wie in Abb. 4a gezeigt etabliert. Die Widerstände in jedem Gitter werden durch einen Simulationsablauf berechnet, der in Abb. 4b skizziert ist, während die entsprechenden physikalischen Parameter in Tabelle 1 aufgelistet sind. Basierend auf TEM-Bild von CRRAM wird eine zweidimensionale Struktur 30 nm Breite, 10 nm Dicke für die Beschreibung der TMO-Schicht definiert, wie in Abb. 5a gezeigt. Der Widerstand der Oxid-Stelle, R_oxid, und das Maschen-Gitter werden durch die Materialeigenschaft von Anatas-TiO₂ bestimmt, das in vielen Studien als Widerstandsschaltmaterial verwendet wurde. Aufgrund seiner tetragonalen Struktur variieren die Gitterkonstanten von Anatas-TiO₂ mit kristallographischer Achse. Zur Vereinfachung sind Maschen-Gitter in unserem Modell alle auf 1 nm gesetzt, indem die Gitterkonstante in c-Richtung von Anatas-TiO₂ eingeführt wird. Darüber hinaus werden Widerstände für Gitter auch durch Bezugnahme auf den Widerstand von Anatas-TiO₂ bestimmt. Wie in Abb. 5a gezeigt, werden zufällig verteilte Vo- initial im 2-D-Gitter gegeben. Die Temperatur- und elektrische Feldabhängigkeiten von CRRAMs Leitungsstrom sind in Abb. 6a, b zusammengefasst. Die Schlüsselcharakteristiken von Fallen-assistiertem Tunnelstrom (TAT) werden durch seinen schwachen Temperatureffekt und die lineare Abhängigkeit zwischen ln(J) und 1/E gezeigt. Mit dem TAT-Leitungsmodell muss das Potentialprofil im TMO-Film zuerst berechnet werden, um jeden lokalisierten Vo-Widerstand weiter zu erhalten. Die Verteilung von Vo- wird erwartet, den Leitungsstrom dominierend zu beeinflussen, da die Tunnelentfernung zwischen Sauerstoffvacanzen variiert. Der Widerstand von Vo-, R_ij, wird dann durch Gleichung 1 berechnet, die die Wahrscheinlichkeiten von Vo-Vorhandensein an der Stelle berücksichtigt und das TAT-Modell für die Berechnung der Tunnelwahrscheinlichkeit zwischen Vacanzzuständen übernimmt.

$$ {R}_{\mathrm{ij},N}=\frac{R_{\mathrm{oxide}}}{\alpha\ {C}_{\mathrm{Vo}-}^{\kern0.75em \beta }\ \exp \left(\frac{\phi }{d}\right)} $$ (1)

Jedes R_ij,N wird in jeder Iteration aktualisiert, bis das Ergebnis schließlich konvergiert. Als die finale R_ij-Verteilung erhalten wird, wie in Abb. 5b illustriert, kann der Gesamtwiderstand R_ini einer frischen Zelle auch anschließend projiziert werden, wie in Abb. 5c gezeigt. Wie in Abb. 5c zu sehen, stimmt die Variation der simulierten R_ini-Verteilung, erhalten durch vorgeschlagenen Simulationsablauf unter Berücksichtigung stochastischer Verteilung und Konzentration intrinsischer Vo-, gut mit der Verteilung des gemessenen R_ini an CRRAM-Arrays überein. Daher tragen zufällig verteilte intrinsische Vo- in TMO-Schichten, die mehrere Tunnelpfade erzeugen, zur weit verbreiteten Anfangswiderstand in prä-formierenden CRRAM-Arrays bei.

Analyse des nicht-uniformen Formierprozesses

Nach Modellierung der der Zelle-zu-Zelle-Variation im frischen Zustand zugeschriebenen Ursachen wird der Formierprozess, der die Widerstandsschaltcharakteristiken initialisiert, analysiert. Der Simulationsablauf der Formieroperation unter DC-Sweep-Modus ist in Abb. 7 gezeigt. Wie in Abb. 8a dargestellt, ist eine Zelle in Serie mit einem Selektor-Transistor mit einem Kanalwiderstand von etwa 5 kΩ im linearen Bereich und einem Sättigungsstrom von etwa 80 µA verbunden. Als Ergebnis der niedrigen Formierspannung müssen Leitungs- und Spannungsmechanismen des Dielektrikums im niedrigen elektrischen Feldregime berücksichtigt werden. Basierend auf dem thermochemischen Modell, das in früheren Studien vorgeschlagen wurde, wurde genaue Vorhersage des Dielektrikumversagens demonstriert. Theoretisches Durchbruchsverhalten von TiO₂ simuliert durch das thermochemische Modell hat ähnliche Charakteristiken wie in CRRAM beobachtet. Daher wird die Vo-Generierungsrate basierend auf dem thermochemischen Modell hier erhalten. Wie vom thermochemischen Modell vorgeschlagen, werden Gitterpunkte neben Vo- als schwache Stelle in der Nähe um die Defekte definiert. Das Vorhandensein von Vo- induziert auch lokalisiertes verstärktes Feld, gezeigt in Abb. 8b, und beschleunigt den Generierungsprozess von Vo-. Unter Berücksichtigung der Zeit bis zum Dielektrikumdurchbruch im thermochemischen Modell mit einer Feldabhängigkeit von exp(-E), wird die Wahrscheinlichkeit der Vo-Generierung P_ij durch folgende Gleichung berechnet.

$$ {P}_{\mathrm{ij}}=\gamma\ \exp \left(\mathrm{E}\right)\ \left\{\begin{array}{c}\kern1.75em \upgamma =0,\mathrm{if}\ \mathrm{site}\ \mathrm{is}\ \mathrm{not}\ \mathrm{weak}\ \mathrm{spot}\\ {}\upgamma =1,\mathrm{if}\ \mathrm{site}\ \mathrm{is}\ \mathrm{weak}\ \mathrm{spot}\end{array}\right. $$ (2)

Ein kritisches Niveau P_g und ein Kriterium P_ij > P_g werden definiert, ob ein neues Vo- generiert wird. Ein Ramping-Prozess wird angewendet, um neue Vo-Verteilung bei jeder Iteration zu aktualisieren, bis die Formierspannung 2,7 V erreicht. Schließlich wird mit einer zufällig verteilten intrinsischen Vo- der niedrige Widerstandsniveau R_forming nach Formieroperation erhalten. Basierend auf dem obigen Modell projizierte der simulierte R_forming-Verteilung eine breite Variation, wie in Abb. 9a gezeigt, und die berechneten I-V-Charakteristiken stimmen gut mit Messdaten überein. Darüber hinaus wird die Korrelation zwischen Formiercharacteristiken und Anfangszuständen untersucht. Höhere Konzentration und lokalisiert verteilte Vo- beschleunigen den Formierprozess. Daher werden positive Korrelationen zwischen Formierspannung und R_ini in sowohl Simulationsergebnissen als auch Messdaten gefunden, wie in Abb. 9b gezeigt.

Zudem induzieren Vo-, die in der Formieroperation generiert werden, leitende Pfade und resultieren in einer Änderung von CF in Zellen, wobei die Evolution von CF während des Formierprozesses in Abb. 10 dargestellt ist. Für Zellen mit hohem R_ini gibt es weniger intrinsische Vo- und weniger schwache Stellen, wie in Abb. 10a illustriert. Nach der Formieroperation ist ein einzelner leitender Pfad wahrscheinlicher zwischen den Elektroden. Allerdings neigt das Wachstum von CF in Zellen mit vielen intrinsischen Vo- (Abb. 10b) dazu, weiter verbreitet zu sein; daher werden dendritische CF nach Formierung generiert. Die Korrelation zwischen verschiedenen CF-Topographien und der Vo-Verteilung im frischen Zustand wird auch durch Messdaten verifiziert. Vo- und CF in TMO-Schicht führen bekanntermaßen zu charakteristischem Random Telegraph Noise (RTN) während Elektronenfang/Entfang-Prozess. Widerstandsschwankungen treten auf, wenn leitender Pfad durch gefangene Elektronen blockiert wird, und der Widerstand sinkt, wenn Elektronen entfangen. RTN-Analyse von CRRAM nach Formierung ist in Abb. 11 zusammengefasst. Regelmäßige zweistufige Widerstandsschwankung findet sich in Zellen mit hohem R_ini, wenn Elektronenfang/Entfang in einem Gerät mit einem dominanten CF stattfindet. Andererseits wird mehrstufiges RTN in Zellen mit niedrigem R_ini gefunden, was erwartet wird, die dendritischen CF mit mehr als einem Pfad zu behindern. Statistisches Ergebnis von RTN ist in Abb. 12 zusammengefasst, durch Analyse von RTN-Messung von mehr als 200 CRRAM-Zellen. Daten deuten darauf hin, dass Zellen mit hohem R_ini tendenziell nur bi-level RTN aufweisen, was wahrscheinlicher in Geräten mit einem dominanten leitenden Pfad auftritt. Die Widerstandsvariation nach Formieroperation ist in Abb. 13 angeordnet. Daten deuten darauf hin, dass höhere Widerstandsvariation in sowohl Messung als auch Simulationsergebnis in Zellen mit niedrigem R_ini gefunden wird. Da weniger begrenzte CFs den Selektor-Transistor früh in den Sättigungsbereich drängen, könnte eine Zelle nicht ordnungsgemäß gebildet werden, was zu breiteren Niedrigwiderstandszustands-Widerstandsniveaus führt.

Um Formiervariabilität, verursacht durch intrinsische Vo- in der TMO-Schicht, zu lindern, wird eine Reset-Training-Operation vorgeschlagen, die SL auf 1,4 V unter fester WL-Spannung 2 V sweeped, blind auf alle Speicherzellen im CRRAM-Array vor dem Formieren angewendet. Diese Operation wird erwartet, prä-existierende Defekte in Zellen mit niedrigem R_ini zu annihilieren und ein besser begrenztes CF-Wachstum während des nachfolgenden Formierprozesses sicherzustellen. Aufgrund der niedrig angewendeten Spannung gibt es keine Änderung in Zellen mit hohem R_ini nach dem Trainingsprozess. Mit einer flächendeckenden Reset-Training-Operation erhöht sich der Widerstand von Zellen mit niedrigem R_ini durch Annihilation intrinsischer Defekte, ohne Zellen mit hohem R_ini zu stören, wie in Abb. 14 gezeigt. Anschließend können gleichmäßigere Formiercharacteristiken erhalten werden.

Schlussfolgerungen

Ein Widerstandsnetzwerkmodell unter Berücksichtigung lokaler Feldeffekte und Fallen-assistiertem Tunnel-Leitung zwischen Vo- wurde erfolgreich etabliert. Durch Monte-Carlo-Simulation wird Zellvariabilität im Anfangswiderstand sowie Formierprozess untersucht. Die Variation in den frischen Zuständen von CRRAM kann erfolgreich durch zufällig gegebene Verteilung intrinsischer Vo- erklärt werden. Projizierte Widerstandsverteilung nach Formierung stimmt auch gut mit Messergebnis überein durch Annahme des thermochemischen Modells. Das Wachstum von CF während Formierung wird diskutiert und mit in diesem Prozess beobachteter Variabilität verknüpft. Schließlich wird eine Reset-Training-Operation vorgeschlagen, um die Formiervariabilität, verursacht durch intrinsische Vo- in der TMO-Schicht, weiter zu lindern. Eine starke Korrelation zwischen Anfangszuständen und Formiercharacteristiken liefert Richtlinien für neue adaptive Operationen für zukünftige Entwicklung von RRAM-Technologien.

Abkürzungen

CF:

Leitendes Filament

CRRAM:

Kontakt-Widerstandszufallszugriffsspeicher

C_Vo-:

Vo- Konzentration

d:

Tunnelentfernung

E:

Elektrisches Feld

ILD:

Zwischenschichtdielektrikum

N:

Iterationszeit

P_g:

Schwellenschaltwahrscheinlichkeit

P_ij:

Wahrscheinlichkeit der Vo-Generierung

R_forming:

Widerstand nach Formieroperation

R_ij:

Lokalisierter Widerstand von Vo-Stelle

R_ini:

Anfangswiderstandszustand

R_oxid:

Lokalisierter Widerstand von Oxid-Stelle

RPO:

Widerstandsschutzoxid

RRAM:

Widerstandsbasierter Zufallszugriffsspeicher

RTN:

Random Telegraph Noise

TAT:

Fallen-assistiertes Tunnel

TMO:

Übergangsmetalloxid

V_f:

Formierspannung

V_ij:

Potential

Vo-:

Sauerstoffvacanz

α:

Anpassungsparameter

β:

Anpassungsparameter

γ:

Anpassungsparameter

ϕ:

Elektrisches Potentialdifferenz