في عالم سريع التطور يتطلب ابتكارات غير تقليدية، تبرز الذاكرة الكهربائية الفيروكهربائية العمودية (Fe-VNAND) كمرشح واعد لتجاوز تحديات تقليص الحجم (z-scaling) بجهود أقل للبرمجة. ورغم ذلك، يواجه الاحتفاظ بالبيانات في الذاكرة الفيروكهربائية العمودية عقبات ناشئة عن التفاعلات المعقدة بين تحرر الشحنات (charge detrapping) وزوال الاستقطاب الفيروكهربائي (ferroelectric depolarization).

لذلك، يتطلب تطوير تصاميم أجهزة محسنّة استكشاف مساحة واسعة من المعاملات، لكن التكاليف الحاسوبية المرتفعة للأدوات التقليدية مثل تصميم أدوات الكمبيوتر المعتمد على التكنولوجيا (TCAD) تجعل من هذه العملية غير عملية.

لمعالجة هذه الحواجز، يقدم الباحثون نموذجًا بديلًا معتمدًا على التعلم الآلي، يسمى مشغل عصبي مستند إلى الفيزياء (Physics-Informed Neural Operator - PINO). يهدف هذا النموذج إلى تعزيز كفاءة التنبؤ بتغيرات جهد العتبة (threshold voltage - Vth) وسلوك الاحتفاظ بالبيانات، حيث تم دمج مبادئ الفيزياء الأساسية داخل هيكل التعلم الرقمي. وبفضل هذه الابتكارات، استطاع نموذج PINO تحقيق تسريع يفوق 10000 مرة مقارنةً بأدوات TCAD التقليدية، مع الحفاظ على دقة فيزيائية عالية.

يقدم هذا النموذج الناتج محرك بيانات متوافق مع الفيزياء يساعد في استخراج معلمات النماذج المدمجة (compact model parameter extraction) وإنشاء جدول بحث (look-up-table - LUT)، مما يدعم مباشرةً محاكاة SPICE المدركة للموثوقية للذاكرة NAND الفيروكهربائية.

توضح هذه الدراسة فعالية النموذج على تكوين واحد من أجهزة FeFET، مشيرةً إلى طريقته نحو نمذجة آليات فقدان الاحتفاظ. إن هذا البحث يمثل خطوة هامة نحو استخدام الذكاء الاصطناعي في تسريع ودقة تحليل تكنولوجيا الذاكرة، مما يفتح آفاقًا جديدة للابتكار.