Аннотация:Переключение между различными состояниями мемристивногоэлемента на основе тонкого оксидного слоя связано с образовани-ем/разрушением филаментарных структур, представляющих собойкластеры кислородных вакансий. Широкий спектр временных мас-штабов, присущий рассматриваемому классу явлений, обуславлива-ет актуальность многомасштабного подхода к моделированию[1–3]. Можно выделить два основных класса математических моде-лей, описывающих динамику переключений мемристора.99Модели первого класса являются аппроксимационными (полу-эмпирическими). Они основаны на представлении мемристоранелинейной динамической системой относительно переменной со-стояния, связанной с концентрацией кислородных вакансий. Иден-тификация параметров модели осуществляется путем минимизацииотклонения расчетных вольт-амперных характеристик от наблюда-емых в экспериментах или полученных на основе прямого модели-рования. Такие модели, будучи вычислительно довольно экономич-ными, могут эффективно использоваться при имитационноммоделировании нейроморфных систем на основе мемристорныхкросс-баров [4–6].Второй класс моделей основан на прямом моделировании про-цессов генерации/рекомбинации ионов кислорода, ионного и элек-тронного транспорта в мемристорном слое. Такой подход связанс высокими вычислительными затратами, однако позволяет прове-сти моделирование, основываясь на первичной информации – дан-ных о химическом составе материала и его кристаллической струк-туре.Можно выделить следующие основные этапы многомасштабно-го моделирования.На первом этапе проводятся квантово-механические (перво-принципные) расчеты, позволяющие определить распределениеэлектронной плотности в структуре и энергетические барьеры гене-рации/рекомбинации ионов кислорода.По результатам первопринципного моделирования формируетсяинформация для идентификации эмпирических потенциалов меж-атомного взаимодействия, используемых на втором этапе, гдепроводится молекулярно-динамическое моделирование. Для пара-метрической идентификации потенциалов межатомного взаимодей-ствия нами реализованы градиентные алгоритмы оптимизации сприменением быстрого автоматического дифференцирования. Ис-пользование молекулярно-динамического моделирования непосред-ственно в данной задаче затруднительно в связи с несопоставимо-стью характерных временных масштабов. Однако, с его помощьюмогут быть рассчитаны энергетические барьеры миграции ионовкислорода.Информация об энергетических барьерах поступает на следую-щий уровень, где осуществляется Монте-Карло моделированиеионной динамики в мемристивном элементе. На данном этапе осу-ществляется статистическое моделирование, основанное на случай-100ной реализации следующих событий: генерация свободного ионапутём освобождения от связи с кристаллической решёткой, реком-бинация свободного иона и незанятой вакансии, миграция ионов поузлам и междоузлиям кристаллической решетки. Вероятности со-бытий рассчитываются исходя из энергетических барьеров, опреде-ленных с помощью молекулярно-динамического моделирования.Здесь используется метод эластичной ленты в сочетании с методомсопряженных градиентов для релаксации атомарной структуры.С целью согласования электрического поля с распределением ионови вакансий в мемристивном элементе на каждом шаге кинетическо-го метода Монте-Карло решается трехмерное уравнение Пуассона.Разработан оригинальный вычислительный алгоритм, позволяющийполучать решение уравнения Пуассона с теоретически оптималь-ным порядком числа операций. Алгоритм основан на аддитивномобновлении набора функций Грина при каждом изменении в рас-пределении плотности зарядов. Вычислительные эксперименты,проведенные на модельном оксиде, продемонстрировали стадиироста и разрушения проводящего филамента под действием меня-ющегося во времени напряжения.Работа выполнена при поддержке гранта РФФИ № 19-29-03051 мк.Список использованных источников1. Абгарян К.К. Многомасштабное моделирование в задачах структурногоматериаловедения. – М.: МАКС Пресс. 2017. 284 с.2. Абгарян К.К. Информационная технология построения многомасштаб-ных моделей в задачах вычислительного материаловедения // «Издательство«Радиотехника», «Системы высокой доступности». 2018. Т. 15. № 2. С. 9–15.3. Zhuravlev A.A., Abgaryan K.K. Reviznikov, D.L. Multiscale discrete elementmodeling // Symmetry. 2021. 13 (2): 219. P. 1-11..4. Абгарян К.К., Ревизников Д.Л., Бажанов Д.И. Многомасштабное моде-лирование многоуровневых элементов памяти для создания нейроморфныхсетей. // Наноиндустрия. 2020. Т. 13. 4s, Спецвыпуск. C. 587.5. Morozov A.Yu., Abgaryan K.K., Reviznikov D.L. Mathematical model of aneuromorphic network based on memristive elements // Chaos, Solitons & Fractals.2021. V. 143. P. 110548. DOI:10.1016/j.chaos.2020.110548.6. Морозов А.Ю., Абгарян К.К., Ревизников Д.Л. Математическое модели-рование самообучающейся нейроморфной сети, основанной на наноразмерныхмемристивных элементах с 1T1R-кроссбар-архитектурой // Известия высшихучебных заведений. Материалы электронной техники. 2020. Т. 23. № 3. С. 186.DOI: 10.17073/1609-3577-2020-3-186-195.