머신러닝 기반 포스 필드(ML FF)는 밀도 범함수 이론(DFT)으로는 접근하기 어려운 대규모 실제 시스템 규모 및 동역학적 시뮬레이션 타임스케일에서 ab initio(제1원리)에 준하는 정확도를 제공합니다. QuantumATK의 ML FF를 활용하여 새로운 결정질 및 비정질 재료, 합금, 계면, 다층 스택의 현실적인 복잡 구조를 생성하고 열적·기계적 물성, 확산 및 표면 공정을 시뮬레이션할 수 있습니다. 사전 학습된 ML FF 라이브러리를 활용하거나 자동화되고 효율적인 학습 및 시뮬레이션 워크플로를 통해 새로운 ML FF를 개발해 보십시오.
QuantumATK 시뮬레이션 엔진은 단일 플랫폼에서 여러 시뮬레이션 방식을 활용한 원자 수준 모델링을 지원합니다 [1]. 평면 파동(plane wave) 또는 LCAO 기저 함수를 사용하는 최첨단 밀도 범함수 이론(DFT), 반경험적 방법, 기존 포스 필드(300개의 포스 필드가 내장된 데이터베이스), 그리고 ML FF를 모두 지원합니다. 모든 시뮬레이션 엔진은 재료 물성, 분자 동역학(MD), 넛지드 엘라스틱 밴드(NEB), 지오메트리 최적화 및 기타 시뮬레이션을 위한 공통 인프라를 공유합니다.
PCRAM, ReRAM, FeRAM 등의 차세대 메모리 및 태양전지 등의 응용 분야를 위한 비정질 구조를 생성합니다. 이 예시에서는 80ps의 ML FF-MD를 사용하여 600개 원자로 구성된 am-SiO2 구조를 11분 만에 생성한 반면, 16코어에서 DFT-MD를 사용한 72개 원자 구조 생성에는 10일이 소요되었습니다. ML FF로 획득한 구조적 파라미터는 DFT 및 실험 결과와 매우 일치합니다.
HKMG(High-k Metal Gate)(Multilayer Builder GUI 사용) 및 MRAM 터널 접합 엔지니어링과 같은 반도체 개발 응용 분야를 위해 복잡한 결정질 및 비정질 계면과 다층 스택 구조를 구축하고 최적화합니다. 이 예시는 결함이 거의 없는 c-Si|am-SiO2|am-HfO2|am-Ti2N HKMG 스택의 생성된 구조를 보여줍니다.
광전자 응용 분야를 위해 불순물이 포함된 유리질 비정질 재료를 생성합니다. 이 예시에서는 ML FF-MD를 사용하여 2500K 온도에서 Na 불순물이 포함된 120,000개 원자 규모의 규산나트륨 유리(Na2O)2(SiO2)40000를 시뮬레이션합니다.
PCRAM 차세대 메모리 응용 분야 등을 위해 대규모 시스템에서 ML FF-MD를 활용하여 ns 단위의 장시간 결정화 및 비정질화 공정을 연구합니다. 이 예시는 2,520개 원자로 구성된 상변화 합금 재료 Ge2Sb2Te5의 결정화를 보여줍니다.
PCRAM 개발과 소자의 자체 발열 및 방열 평가를 위해 ns 단위의 장시간 역 비평형 분자 동역학(RNEMD) 시뮬레이션과 ML FF를 활용하여 열전도도를 시뮬레이션합니다. 예시로는 벌크 Ge2Sb2Te5(2,300개 원자), Ge2Sb2Te5|Si(882개 원자) 및 Si|GaAs(864개 원자) 계면, 단원자층 MoS2(108,000개 원자)에서의 열전도도 시뮬레이션이 있습니다. 계산된 값은 실험 및 DFT 결과(가용한 경우)와 높은 일치도를 보입니다.
MD와 함께 특수 학습된 ML FF를 사용하여 열적 ALD 및 ALE 공정을 시뮬레이션합니다. 이 예시는 4.5 nm2 면적의 HfO2 표면에서의 HfCl4 증착이라는 열적 ALD 공정 시뮬레이션을 보여줍니다. 전구체 흡착 에너지는 DFT 결과와 일치합니다. 획득한 고착 계수(sticking coefficient)와 피복률(coverage) 값은 ALD 수율을 최적화하기 위한 피처 스케일 모델의 파라미터로 활용할 수 있습니다.
QuantumATK는 다른 ML 포스 필드에 비해 더 낮은 연산 비용으로 높은 수준의 강력한 정확도를 제공하는 텐서 모멘트 포텐셜(MTP)을 제공합니다 [2, 3]. 사전 학습되어 즉시 사용할 수 있는 고품질 MTP 라이브러리(재료 목록은 [4, 5] 참조)를 활용하거나, 아래에 설명된 자동 생성 워크플로를 사용하여 새로운 재료, 계면 및 표면 공정을 위한 MTP를 개발할 수 있습니다.
[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 기능: https://www.synopsys.com/silicon/quantumatk/resources/feature-list.html#MLforcefield
[5] 사전 학습되어 바로 사용할 수 있는 ML FF 라이브러리의 소재: https://docs.quantumatk.com/manual/ForceField.html#pretrained-moment-tensor-potential-mtp-parameter-sets
[6] 자동 ML FF 학습 도구 및 GUI 템플릿 튜토리얼: https://docs.quantumatk.com/tutorials/mtp_hfo2/mtp_hfo2.html
QuantumATK 소프트웨어를 연구에 적용하는 데 관심이 있으십니까? 소프트웨어를 테스트해 보거나 [email protected](으)로 문의하여 원자 규모 모델링용 QuantumATK 플랫폼에 대한 자세한 정보를 확인하십시오.