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。
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。
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。
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。
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。
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。
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。
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。
[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。