Modeling of Hysteretic Jump Points in Ferroelectric MOS Capacitors
Notice bibliographique
Résumé
Negative capacitance devices generally exhibit hysteresis, which can be exploited for memory but should be suppressed for logic devices. The significant nonlinearity of ferroelectric (FE) metal–oxide–semiconductor (MOS) capacitor makes it difficult to manipulate hysteresis, especially when multiple material and device parameters are considered simultaneously. Here we model hysteretic jump points (HJPs) and describe how hysteresis responds to different parameters used. First, the energy landscape of FE-MOS capacitor is explored based on the Gibbs free energy, considering forward and backward sweep of gate voltage, to identify the HJPs. Our simulation shows that the surface potential of HJP has a logarithmic relation to the doping concentration of the semiconductor while FE thickness (${T}_{\text {FE}}$) and gate oxide thickness (EOT) shift the value of the surface potential up or down. Based on the developed model, we introduce hysteresis width and height to evaluate the extent of hysteresis and the amplification of potential quantitatively. Our results show that hysteresis width is a strong function of EOT and${T}_{\text {FE}}$but the potential amplification is limited, especially when EOT is thin. In addition, the effect of doping concentration on the hysteresis window is minimal, particularly with thick FE layer. Our model provides a useful tool to directly investigate hysteresis, which makes it possible to modify the hysteresis window by engineering parameters for different target applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».