Synopsys
Ansys

현실적인 물리 현상을 위한 머신러닝 기반 포스 필드

<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>

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.

대규모 실제 시스템의 동역학 시뮬레이션을 위한 ML FF

  • ML FF는 DFT보다 1,000~10,000배 빨라, 소규모의 100개 원자 모델 시스템 대신 100,000개 이상의 원자를 포함하는 현실적인 신규 복잡 시스템의 동역학적 모델링을 가능하게 합니다.
  • ML FF는 다원소 재료, 계면과 같은 이종 시스템, 그리고 비정질 재료, 상변화, 화학 반응을 포함하는 비평형 상태의 시스템에 대해 ab initio(제1원리)에 준하는 정확도를 제공합니다.
  • ML FF는 QuantumATK에서 제공하는 자동화된 워크플로를 통해 기존 포스 필드보다 더 손쉽게 개발할 수 있는 경우가 많습니다. 이러한 복잡한 시스템을 위한 정확한 기존 포스 필드를 개발하려면 훨씬 더 광범위하고 복잡한 개발 프로세스가 필요합니다.

머신러닝 기반 포스 필드의 주요 적용 사례

비정질 재료의 구조 생성

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.

계면 및 다층 스택 시뮬레이션

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.

유리질 비정질 재료 시뮬레이션

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.

결정화 및 비정질화 공정

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.

열물성 시뮬레이션

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.

표면 공정 모델링

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.

즉시 사용 가능한 머신러닝 기반 포스 필드 내장 라이브러리

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.

머신러닝 기반 포스 필드의 자동화된 효율적 생성

기본 워크플로우

  • 학습 구성 자동 생성(결정 구조의 무작위 변위 기반)
  • DFT를 사용해 에너지, 힘, 응력 등 학습 데이터 계산
  • 머신러닝 수행(즉, 학습 데이터 피팅)
  • 생성된 ML FF 검증 및 하이퍼파라미터 최적화
  • MD(분자 동역학), 힘 바이어스 몬테카를로, NEB(Nudged Elastic Band), 구조 최적화 등의 프로덕션 시뮬레이션에 ML FF 활용 
  • OpenMP, 대규모 병렬 MPI 및 하이브리드 병렬화 활용

고급 액티브 러닝 워크플로우

  • MD 시뮬레이션 중 학습 구성 및 DFT 학습 데이터를 능동적으로 추가하여 기본 워크플로우로 생성된 초기 ML FF 개선
  • 구성 외삽을 위해 지정된 임계값에 기반한 자동 반복 프로세스
  • 권장 대상
    • 비정질계
    • 계면
    • 고온계 
    • 표면 공정 모델링

템플릿 및 GUI

  • 다음에 자동 학습 도구 및 GUI 템플릿[6] 사용:
  • Trajectory Analyzer GUI를 사용해 자동 생성된 학습 구성 검사
  • 다음 항목에 대해 계산된 값을 가용한 실험 데이터 및 DFT 데이터와 비교하여 생성된 ML FF 검증: 
    • 반경/각도 분포 함수(RDF 및 ADF)
    • 탄성 상수
    • 중성자 산란 인자
    • 화학 조성 프로파일 
    • X선 산란

QuantumATK의 장점

  • 특정 애플리케이션에 맞춤화된 사용자 친화적인 자동 학습 데이터 생성 
    • 필요한 학습 데이터와 시간 최소화 
    • 대부분의 경우 연산 비용이 큰 ab initio 분자 역학(MD) 시뮬레이션 불필요
    • 복잡한 시스템을 위한 고품질의 정확한 머신러닝 포텐셜(ML FF) 제공
  • 다양한 시뮬레이션 엔진을 위한 단일 인터페이스
    • DFT-LCAO와 DFT-PW를 이용한 학습 간편한 전환
    • ML FF를 기존 FF, DFT 또는 반경험적 계산기와 결합하여 특정 애플리케이션의 정확도 추가 향상

FAQ

머신러닝 포텐셜(ML FF)의 가치

  1. 대신 DFT를 사용하여 필요한 모든 시뮬레이션을 실행할 수 없는 이유는 무엇입니까?
    ML FF는 DFT보다 1,000~10,000배 빠르며 종종 거의 그에 준하는 정확도를 제공합니다. ML FF를 사용한 동역학 시뮬레이션은 시뮬레이션 시간을 수일에서 수분으로, 수년에서 수시간으로 단축하여 1,000~100,000개 이상의 원자를 포함하는 현실적이고 복잡한 신규 시스템의 동역학적 모델링을 가능하게 합니다.
  2. 대신 효율적인 기존 포텐셜(FF) 라이브러리를 사용하여 필요한 모든 시뮬레이션을 실행할 수 없는 이유는 무엇입니까?
    - 기존 FF는 특정 소재에만 사용할 수 있으며, 예를 들어 서로 다른 소재 간의 계면을 설명하기 위해 이를 결합하는 기능은 매우 제한적이고 정확도가 떨어집니다.
    - 기존 FF는 비정질 소재, 상전이 또는 화학 반응을 설명하는 데 필요한 평형 상태에서 벗어난 조건에서는 정확도가 높지 않은 경우가 많습니다.
  3. 머신러닝을 사용해야 합니까? 새로운 기존 포텐셜(FF) 피팅은 어떻습니까?
    기존 FF는 비교적 단순한 소재에는 잘 작동하지만, 복잡한 소재에 대한 정확한 기존 FF 피팅은 매우 어렵고, 특히 다원소 소재나 계면(특히 금속과 반도체 사이)과 같은 이종 시스템의 경우 사실상 불가능한 것으로 나타났습니다.
  4. ML FF로 시뮬레이션할 수 있는 최대 원자 수는 얼마입니까?
    QuantumATK 팀은 나노초(ns) 단위의 긴 MD 시뮬레이션을 통해 100,000개의 원자로 구성된 시스템을 시뮬레이션했습니다. 사용 가능한 연산 리소스에 따라 ML FF로 더 큰 시스템도 시뮬레이션할 수 있습니다. 

QuantumATK의 머신러닝 포텐셜(ML FF)

  1. QuantumATK는 모멘트 텐서 포텐셜(MTP) ML FF를 어떻게 구현했습니까?
    QuantumATK 팀은 문헌의 기존 MTP 패키지[2,3]가 아닌 자체 기술로 MTP를 내부 구현했습니다. QuantumATK 팀은 QuantumATK와 기존 구현 간에 유사한 효율성을 기대하지만, MD 시뮬레이션 엔진에 따라서도 달라지므로 명시적인 효율성 비교는 수행하지 않았습니다.
  2. QuantumATK로 ML FF를 생성하는 데 얼마나 걸립니까?
    2~4개의 클러스터 노드(32~72코어 사용 가능)가 있는 경우 다음 조건에 대해 고품질 ML FF를 획득할 수 있습니다.
    - 결정 구조(1~3원소): 소재의 복잡성에 따라 1~2일 소요
    - 능동 학습 MD를 포함한 계면 및 비정질 소재: 복잡성에 따라 1~2주 소요
    - 더 복잡한 시스템(예: 3원소 초과, 다양한 계면 또는 ALD와 같은 특수 애플리케이션): 수주 소요
    모든 경우에서 가장 시간이 오래 걸리는 부분은 학습 구성 생성 및 DFT를 사용한 학습 데이터 계산입니다. 학습 데이터 피팅은 몇 시간에서 최대 하루 만에 완료할 수 있습니다. 생성된 학습 구성은 유사한 소재(예: 상이한 화학량론, 공통 원소)의 ML FF를 개발할 때 재사용할 수 있습니다.
  3. 사전 학습되었거나 생성된 ML FF로 MD 시뮬레이션을 실행하는 데 어떤 소프트웨어를 사용할 수 있습니까?
    이러한 ML FF로 MD 시뮬레이션을 실행하는 데는 QuantumATK 소프트웨어만 사용할 수 있습니다. QuantumATK는 고성능의 대규모 병렬 최신 MD 시뮬레이션 방법을 제공합니다.
  4. QuantumATK의 ML FF 라이선스는 어떻게 부여됩니까?
    - 기본 라이선스: 직접 피팅한 ML FF로 계산 실행
    - 엘리트 라이선스: 자체 ML FF 피팅 또는 기본 제공 ML FF 라이브러리 액세스
  5. 경쟁 솔루션과 비교했을 때 머신러닝 포텐셜(ML FF) 측면에서 QuantumATK의 장점은 무엇입니까?
    - QuantumATK는 수동 플로우 대신 사용자 친화적이고 자동화되며 효율적인 큐레이션된 학습 데이터 생성 기능을 제공합니다.
    - 고품질 ML FF 확보와 학습 시간 및 데이터 최소화(예: DFT 참조 데이터 양 10~100배 감소)에 필수적입니다.
    - 고유하고 자동화된 QuantumATK 프로토콜은 분자 표면 증착이나 계면과 같은 특정 애플리케이션에 맞춤화되어 있습니다.
    - 경쟁 솔루션의 ML FF 모델(NNP, GAP 등)은 QuantumATK에 사용된 MTP 모델보다 정확도가 낮거나 느립니다[2,3].
    - QuantumATK는 단순한 소재뿐만 아니라 비정질 합금, 다중 소재 계면, 분자 표면 증착 등 복잡한 소재에 대해 매우 정확하고 효율적인 ML FF를 입증했습니다.
  6. 학습 구성 생성에 ab initio MD 시뮬레이션이 포함되지 않는 이유는 무엇입니까?
    ab initio MD를 사용한 학습 구성 생성은 연산 비용이 매우 큰 프로세스입니다. QuantumATK 팀의 경험에 따르면, MD 시뮬레이션의 후속 스냅샷은 일반적으로 상호 연관성이 높고 유사하기 때문에 이는 종종 필요한 것보다 훨씬 더 많은 DFT 계산을 초래합니다. QuantumATK는 주로 결정 구조에 무작위 변위와 변형을 사용하는 학습 프로토콜을 사용하여 이를 검증했습니다. 이 방식은 ab initio MD 시뮬레이션의 스냅샷을 추가하지 않고도 완만한 온도까지 격자 상수, 포논, 탄성 상수와 같은 결정 특성을 잘 묘사합니다. 그러나 비정질 또는 기타 복잡한 구조의 경우 ab initio MD 학습 데이터를 함께 포함하는 것이 유리할 수도 있습니다.

참고 자료

[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 제품에 대한 자세한 정보 확인

QuantumATK 소프트웨어를 연구에 적용하는 데 관심이 있으십니까? 소프트웨어를 테스트해 보거나 [email protected](으)로 문의하여 원자 규모 모델링용 QuantumATK 플랫폼에 대한 자세한 정보를 확인하십시오.

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

채팅 종료

이 창을 닫으면 채팅 기록이 삭제되고 세션이 종료됩니다. 채팅을 종료하시겠습니까?