シノプシス
Ansys

現実的な物理現象を捉える機械学習力場

<p>Machine-Learned Force Fields (ML FFs) provide near-<i>ab initio</i> accuracy for large realistic system sizes and dynamical simulation time-scales greatly exceeding those accessible to Density Functional Theory (DFT). Use ML FFs in QuantumATK to generate realistic complex structures of novel crystal and amorphous materials, alloys, interfaces, and multilayer stacks, simulate thermal and mechanical properties, diffusion and surface processes. Benefit from the pre-trained ML FF library or develop new ML FFs using automated and efficient training and simulation workflows.</p>

機械学習力場(ML FF)は、密度汎関数理論(DFT)では適用困難な大規模かつ現実的な系サイズや、長時間の動的シミュレーションにおいて、ab initio(第一原理)計算に近い精度を提供します。QuantumATKでML FFを使用することにより、新奇な結晶・アモルファス材料、合金、界面、多層膜の現実的な複雑構造の生成、熱・機械特性、拡散および表面プロセスのシミュレーションが可能になります。事前トレーニング済みのML FFライブラリを活用するか、自動化された効率的なトレーニングおよびシミュレーションワークフローを用いて新しいML FFを開発できます。

QuantumATKのシミュレーションエンジンは、1つのプラットフォームで複数の手法を用いた原子スケールモデリングを可能にします [1]。平面波またはLCAO基底関数系を用いた最先端の密度汎関数理論(DFT)、半経験的手法、従来の力場(300種類のポテンシャルを内蔵したデータベース)、そしてML FFに対応しています。すべてのシミュレーションエンジンは、物性、分子動力学(MD)、Nudged Elastic Band(NEB)、ジオメトリ最適化などのシミュレーションにおいて、共通のインフラストラクチャを共有しています。

大規模かつ現実的な系の動的シミュレーション向けML FF

  • ML FFはDFTと比較して1,000倍〜10,000倍高速であるため、従来のような100原子規模の小さなモデルではなく、10万個以上の原子を含む現実的かつ新奇な複雑系の動的モデリングが可能になります。
  • ML FFは、多元素材料、界面などの異種材料系、およびアモルファス材料、相転移、化学反応を含む非平衡状態の系に対して、ab initio(第一原理)計算に近い精度を提供します。
  • QuantumATKで提供される自動化ワークフローを使用することで、ML FFは従来の力場に比べて容易に開発できることが多くあります。このような複雑な系に対して高精度な従来の力場を構築しようとすると、より大規模で複雑な開発プロセスが必要になります。

機械学習力場の適用事例

アモルファス材料の構造生成

PCRAM、ReRAM、FeRAMなどの新奇メモリ、太陽電池、その他のアプリケーション向けのアモルファス構造を生成します。この事例では、80 psのML FF-MDにより、600原子からなるam-SiO2構造を11分で生成しました。一方、16コアを使用したDFT-MDでは、72原子の構造生成に10日を要しました。ML FFで得られた構造パラメータは、DFTおよび実験結果とよく一致しています。

界面および多層膜のシミュレーション

ハイkメタルゲート(HKMG)(マルチレイヤービルダーGUIを使用)やMRAM磁気トンネル接合のエンジニアリングなど、半導体開発用途の複雑な結晶・アモルファス界面および多層膜構造を構築・最適化します。この事例は、ほぼ欠陥のないc-Si|am-SiO2|am-HfO2|am-Ti2N HKMGスタックの生成構造を示しています。

ガラス状アモルファス材料のシミュレーション

オプトエレクトロニクス用途向けに、不純物を含むガラス状アモルファス材料を生成します。この事例では、ML FF-MDを使用して、Na不純物を含む大規模な120,000原子サイズのケイ酸ナトリウムガラス(Na2O)2(SiO2)40000の2500Kにおけるシミュレーションを行っています。

結晶化およびアモルファス化プロセス

PCRAMなどの新奇メモリ用途向けの大規模系において、ML FF-MDを用いてnsオーダーの結晶化およびアモルファス化プロセスを研究します。この事例は、2,520原子の相変化合金材料Ge2Sb2Te5の結晶化を描写しています。

熱物性シミュレーション

PCRAMの開発およびデバイスにおける自己発熱と放熱の評価を目的として、ナノ秒(ns)単位の逆非平衡分子動力学(RNEMD)シミュレーションを用いたML FFによる熱伝導率のシミュレーションを行う。 具体例としては、バルクGe₂Sb₂Te₅( 2300原子)、Ge₂Sb₂Te₅|Si(882原子)、Si|GaAs(864原子)の界面、および単層MoS₂(108,000原子)における熱伝導率のシミュレーションが挙げられる。算出された値は、入手可能な実験結果やDFT結果と良好な一致を示している。

表面プロセスモデリング

MDと組み合わせて、特別に学習させたML FFを用いて、熱ALDおよびALEプロセスをシミュレーションします。この例では、面積4.5 nm²のHfO₂表面へのHfCl₄堆積という熱ALDプロセスのシミュレーションを示しています。前駆体の吸着エネルギーはDFTの結果と一致しています。得られた付着係数および被覆率は、ALDの歩留まりを最適化するためのフィーチャースケールモデルのパラメータとして利用できます。

すぐに使える機械学習による力場の組み込みライブラリ

QuantumATK 本ツールでは、他の機械学習力場と比較して、計算コストを抑えつつ高い堅牢性と精度を実現するモーメントテンソルポテンシャル(MTP)を提供しています [2,3]。事前学習済みで即座に利用可能な高品質なMTPライブラリ(材料の一覧については[4,5]を参照)を活用するか、後述する自動生成ワークフローを用いて、新しい材料、界面、および表面プロセス向けのMTPを開発することができます。

機械学習による力場の効率的な自動生成

基本ワークフロー

  • 学習構成の自動生成(結晶構造のランダム変位に基づく)
  • DFTによるエネルギー、応力、および力の学習データの計算
  • 機械学習の実行(学習データへのフィッティング)
  • 生成された機械学習力場(ML FF)の検証とハイパーパラメータの最適化
  • 分子動力学(MD)、フォースバイアスモンテカルロ、Nudged Elastic Band法、幾何学最適化などの本番シミュレーションへのML FFの適用 
  • OpenMP、超並列MPI、およびハイブリッド並列化の活用

高度なアクティブラーニング・ワークフロー

  • MDシミュレーション中に学習構成とDFT学習データを動的に追加することで、基本ワークフローで生成された初期ML FFを改善
  • 構成外挿に関する指定しきい値に基づく自動反復プロセス
  • 推奨用途
    • アモルファス系
    • 界面
    • 高温下の系 
    • 表面プロセスモデリング

テンプレートとGUI

  • 以下の用途に向けた自動学習ツールおよびGUIテンプレート [6] の活用:
  • Trajectory Analyzer GUIを使用した自動生成された学習構成の検査
  • 計算値と利用可能な実験データおよびDFTデータとの比較による、生成されたML FFの検証: 
    • 半径/角度分布関数(RDFおよびADF)
    • 弾性定数
    • 中性子散乱因子
    • 化学組成プロファイル 
    • X線散乱

QuantumATKのメリット

  • 特定のアプリケーションに合わせた、自動かつ使いやすいトレーニングデータの生成 
    • 必要なトレーニングデータと時間を最小限に抑制 
    • 多くの場合、計算コストの高いab initio分子動力学(MD)計算が不要
    • 複雑な系に対しても、高品質かつ高精度な機械学習力場(ML FF)を提供
  • さまざまなシミュレーションエンジンに対応する単一のインターフェイス
    • DFT-LCAOとDFT-PWによるトレーニングの容易な切り替え
    • ML FFと、従来の力場、DFT、または半経験的計算機を組み合わせることで、特定のアプリケーションにおける精度をさらに向上

よくあるご質問

機械学習力場(ML FF)の価値

  1. なぜDFTですべての必要なシミュレーションを実行できないのでしょうか?
    ML FFはDFTと比較して1,000倍〜10,000倍高速でありながら、同等の精度を維持できることが多くあります。ML FFを用いた動的シミュレーションにより、シミュレーション時間を数日から数分、数年から数時間へと短縮できるため、1,000〜100,000個以上の原子を含む現実的かつ新規の複雑な系の動的モデリングが可能になります。
  2. なぜ、効率的な従来の力場ライブラリを使用して必要なシミュレーションをすべて実行できないのでしょうか?
    - 従来の力場を適用できるのは特定の材料のみであり、例えば異なる材料間の界面などを記述するためにそれらを組み合わせるアプローチには、大きな制限があり精度も不十分です。
    - アモルファス材料、相転移、化学反応の記述に必要な、平衡状態から離れた条件では、従来の力場の精度が十分でないことが多くあります。
  3. 機械学習を使用する必要がありますか?新しい従来の力場をフィッティングする場合はどうなりますか?
    従来の力場は比較的単純な材料に対しては有効ですが、複雑な材料に対して高精度な従来の力場をフィッティングすることは極めて困難であることが示されています。実際、多元素材料や異種界面(特に金属と半導体の間など)のような系ではほぼ不可能です。
  4. ML FFでシミュレーション可能な最大原子数はいくつですか?
    QuantumATKチームは、ナノ秒(ns)オーダーのMDシミュレーションにおいて、100,000原子の系のシミュレーションに成功しています。利用可能な計算リソースに応じて、さらに大規模な系のシミュレーションも可能です。 

QuantumATKにおける機械学習力場(ML FF)

  1. QuantumATKは、モーメントテンソルポテンシャル(MTP)ML FFをどのように実装していますか?
    QuantumATKチームは、文献[2, 3]にある元のMTPパッケージをそのまま使用するのではなく、独自にMTPを実装しました。QuantumATKの実装とオリジナル版の効率は同等と予想されますが、MDシミュレーションエンジンによっても異なるため、明示的な効率の比較は行っていません。
  2. QuantumATKによるML FFの生成にはどのくらいの時間がかかりますか?
    2〜4ノードのクラスター(32〜72コア)を使用する場合、高品質なML FFの取得にかかる時間は以下の通りです。
    - 結晶構造(1〜3元素):材料の複雑さに応じて1〜2日
    - 界面およびアモルファス材料(アクティブラーニングMDを含む):複雑さに応じて1〜2週間
    - より複雑な系(例:3元素以上、各種界面、ALDなどの特殊なアプリケーション):数週間
    いずれの場合においても、最も時間を要するプロセスは、トレーニング構成の生成とDFTによるトレーニングデータの計算です。トレーニングデータに対するフィッティングは、数時間から最大1日で完了します。生成されたトレーニング構成は、類似の材料(例:異なる化学量論比、共通の元素を持つ材料)のML FFを開発する際にも再利用可能です。
  3. 事前トレーニング済み、または生成されたML FFを使用してMDシミュレーションを実行するには、どのようなソフトウェアを使用できますか?
    これらのML FFを用いたMDシミュレーションの実行には、QuantumATKソフトウェアのみを使用できます。QuantumATKは、高性能かつ超並列の最先端MDシミュレーション手法を提供します。
  4. QuantumATKにおけるML FFのライセンス体系はどのようになっていますか?
    - ベースライセンス:ご自身でフィッティングしたML FFを使用して計算を実行
    - エリートライセンス:独自のML FFのフィッティング、または組み込みのML FFライブラリへのアクセス
  5. 競合ソリューションと比較した、機械学習力場(ML FF)におけるQuantumATKの優位性は何ですか?
    - QuantumATKは、手動のフローではなく、厳選されたトレーニングデータのユーザーフレンドリーかつ自動的で効率的な生成を実現します。
    - 高品質なML FFの実現およびトレーニングの時間とデータの最小化(DFT参照データの量を10〜100倍削減)に不可欠です。
    - QuantumATK独自の自動プロトコルは、分子表面堆積や界面などの特定のアプリケーションに合わせて最適化されています。
    - 競合ソリューションにおけるML FFモデル(NNP、GAPなど)は、QuantumATKで使用されているMTPモデルと比較して精度が低いか、処理が低速です[2, 3]。
    - QuantumATKは、単純な材料だけでなく、アモルファス合金、複数材料を含む界面、分子表面堆積といった複雑な材料に対しても、高精度かつ効率的なML FFの実証実績があります。
  6. なぜ、トレーニング構成の生成にab initio MDシミュレーションが含まれていないのですか?
    ab initio MDを用いたトレーニング構成の生成は、非常に高い計算コストを伴うプロセスです。QuantumATKチームの経験では、MDシミュレーションからの連続するスナップショットは通常、非常に相関が高く類似しているため、必要とされるものを大幅に上回る多くのDFT計算を招く結果となります。QuantumATKでは主に、結晶構造に対してランダム変位とひずみを用いたトレーニングプロトコルを採用することで、この点を検証してきました。これにより、ab initio MDシミュレーションからのスナップショットを追加することなく、中程度の温度までの格子定数、フォノン、弾性定数などの結晶特性を良好に記述できます。ただし、アモルファスやその他のより複雑な構造においては、ab initio MDのトレーニングデータを含めることが有効な場合もあります。

リファレンス

[1] S. Smidstrup, T. Markussen, P. Vancraeyveld, J. Wellendorf, J. Schneider, T. Gunst, B. Vershichel, D. Stradi, P. A. Khomyakov, U. G. Vej-Hansen, M.-E. Lee, S. T. Chill, F. Rasmussen, G. Penazzi, F. Corsetti, A. Ojanpera, K. Jensen, M. L. N. Palsgaard, U. Martinez, A. Blom, M. Brandbyge, and K. Stokbro, "QuantumATK: An integrated platform of electronic and atomic-scale modelling tools", J. Phys.: Condens. Matter 32, 015901 (2020). arXiv: 1905.02794v2.

[2] A. V. Shapeev, "Moment tensor potentials: a class of systematically improvable interatomic potentials", Multi-scale Model. & Simul. 14, 1153 (2016).

[3] Y. Zuo, C. Chen, X. Li, Z. Deng, Y. Chen, J. Behler, G. Csányi, A. V. Shapeev, A. P. Thompson, M. A. Wood, and S. Ping Ong, "Performance and cost assessment of machine learning interatomic potentials", J. Phys. Chem. A 124, 731 (2020).

[4] ML FFの機能:https://www.synopsys.com/silicon/quantumatk/resources/feature-list.html#MLforcefield

[5] すぐに使用可能な事前トレーニング済みML FFライブラリに含まれる材料:https://docs.quantumatk.com/manual/ForceField.html#pretrained-moment-tensor-potential-mtp-parameter-sets

[6] 自動機械学習(ML)FFトレーニングツールおよびGUIテンプレートのチュートリアル: https://docs.quantumatk.com/tutorials/mtp_hfo2/mtp_hfo2.html 

QuantumATK製品の詳細を見る

QuantumATKソフトウェアの研究への適用に関心をお持ちですか?ソフトウェアを試すか、[email protected]までお問い合わせいただき、原子スケールモデリング向けQuantumATKプラットフォームの詳細をご確認ください。

Ask BETA This experience is in beta mode. Please double check responses for accuracy.

チャットを終了する

このウィンドウを閉じると、チャット履歴が消去され、セッションが終了します。本当に このチャットを終了してもよろしいですか?