기계 학습 기반 힘장(Force-Fields)이란 무엇인가요?

원자 규모 분자 동역학(MD) 시뮬레이션에서 오랫동안 제기되어 온 과제는, 신뢰할 수 있는 시뮬레이션 모델이 현실적인 시스템의 복잡성을 포착할 수 있는 시뮬레이션 시간 및 길이 척도에 도달하기에는 계산 비용이 너무 많이 들거나(ab initio), 관련 시스템에 대해 정확도가 제한적이라는 점입니다(기존 FF). ML-FF 접근법은 이러한 과제에 대한 해결책을 제시하며, 예를 들어 높은 정확도가 필요하지만 더 긴 시간 척도에서 일어나는 원자 규모의 동적 과정(예: 확산, 결정화, 증착)의 시뮬레이션을 가능하게 한다. 이를 통해 사용자는 복잡성이 현저히 감소된 모델 시스템뿐만 아니라, 정확도를 저하시키지 않으면서도 보다 현실적인 복잡한 시스템에서 이러한 과정을 시뮬레이션할 수 있다. 또한, ML-FF를 통해 사용자는 예를 들어 ab initio 계산에 활용할 수 있는 다양한 현실적인 입력 구조를 신속하게 생성하고 최적화할 수 있습니다. 이는 계산 비용이 많이 드는 계산의 횟수를 크게 줄여주며, 다른 여러 이점 중에서도 다양한 구조 매개변수에 대한 처리량을 높여줍니다.

QuantumATK 의 원자 수준 모델링 플랫폼은 Synopsys xml-ph-0000@deepl.internal 원자 수준 모델링 플랫폼은 시중에서 가장 최신이자 다재다능한 재료 시뮬레이션 코드 중 하나입니다. 이 플랫폼을 사용하면 복잡한 분자, 비정질 및 결정질 재료, 계면, 심지어 원자 수준 소자에 이르기까지의 전자적, 열적, 기계적, 광학적, 자기적, 강유전적, 열전적 및 기타 다양한 물성을 계산할 수 있습니다.

QuantumATK 정확도와 효율성 사이에서 탁월한 균형을 제공하는 최신의 최첨단 알고리즘인 MTP(모멘트 텐서 포텐셜) 계열의 ML-FF를 구현합니다. QuantumATK 의 주요 장점 중 하나는 DFT, 타이트 바인딩(tight-binding) 방법, 힘장(force field) 등 다양한 재료 시뮬레이션 프레임워크를 하나의 통합 플랫폼에서 이용할 수 있다는 점입니다. 따라서 DFT 및 FF 시뮬레이션이 모두 필요한 고급 ML-FF 훈련 워크플로는 단일 소프트웨어 플랫폼 내에서 생성 및 실행됩니다.

QuantumATK 또한 신뢰할 수 있는 ML-FF를 생성하는 데 필요한 DFT 계산 횟수를 최소화하도록 특별히 설계된 맞춤형 워크플로를 함께 제공하며, 훈련 워크플로의 대부분을 자동화합니다. 아래 그림은 ‘ QuantumATK ’의 MTP에 대한 ML-FF 훈련 워크플로의 주요 단계를 보여줍니다:

반도체 산업이 더욱 정교한 공정 노드로 계속 발전함에 따라, 소자 인터페이스의 원자 수준 세부 사항과 나노 규모의 열 전달 특성은 소자 및 공정 설계에 있어 점점 더 중요해지고 있습니다. 이러한 과제를 해결하기 위해 여러 Synopsys TCAD 이러한 과제를 해결하기 위해 여러 도구가 사용되고 있으며, ML-FF 방법론은 원자 단위 시뮬레이션 을 이러한 도구들 중 다수와 연결하는 데 핵심적인 역할을 합니다. 예를 들어, 첨단 로직 소자를 위한 고-K 금속 게이트 스택의 상세한 조성에 대한 원자 수준의 통찰력을 제공하거나, 신소재 및 계면의 열적 특성을 계산하는 데 활용됩니다.