폴리머, 배터리 전해질 및 유기 분자 시뮬레이션을 위한 결합형 DREIDING, OPLS-AA, OPLS-Min 및 UFF
자동 포텐셜 생성, 원자 유형 할당, 결합형 포텐셜의 모든 항 편집 기능
(장거리) 정전기 상호작용을 설명하기 위해 다양한 소스의 부분 전하를 포텐셜에 통합할 수 있는 기능
DFT 계산의 정전기 상호작용을 재현하도록 계산할 수 있으며, QEq로 추정하거나 수동으로 할당할 수 있습니다.
유기 및 산화물 포텐셜에 대한 GPU 가속 (Linux 전용, 미리 보기 버전)
BYOP (Bring Your Own Potential)
지원되는 유형 중 사용자 지정 또는 문헌 포텐셜을 추가하기 위한 Python 및 GUI 인터페이스
유기 힘장(OPLS, UFF, Dreiding)을 쉽게 설정하고 이를 표면 및 나노입자용 무기 힘장과 결합할 수 있는 GUI.
포텐셜의 사용자 지정 조합 지원
예: 반데르발스 상호작용을 설명하기 위해 스틸링거-웨버 포텐셜과 레너드-존스 항을 결합
Pedone, Guillot-Sator, Marian-Gastreich, Feuston-Garofalini, Matsui, Leinenweber 등 문헌에 기반한 여러 관련 포텐셜이 이미 제공됩니다.
머신러닝 힘장
머신러닝 기반 힘 장(Machine-Learned Force Fields), 모멘트 텐서 포텐셜 (MTP)은 ab initio(예: DFT)와 거의 유사한 정확도로 원자 구성 내 상호작용(에너지, 힘, 응력)을 계산하는 동시에 1,000~10,000배 더 높은 효율성을 제공합니다.
복잡한 소재를 정확하게 설명할 수 있는 기존의 힘 장(Force Fields)이 존재하지 않고 ab initio 시뮬레이션 비용이 너무 높을 때, 즉 대규모 시스템(10,000~100,000개 이상의 원자) 또는 장시간 동역학 시뮬레이션에 머신러닝 기반 힘 장(ML-FF)을 사용하십시오.
복잡한 다원소 결정질 및 비정질 소재, 합금, 계면, 다층 스택의 현실적인 구조 생성
고유전율(high-k) 금속 게이트 스택(HKMG) 구축을 위한 멀티레이어 빌더(Multilayer Builder) GUI
결함 및 도펀트 확산 장벽
결정화 및 비정질화
열 전달
기계적 속성
열 ALD 및 ALE 등의 표면 공정
제공된 파라미터 세트를 사용하는 ML FF는 다른 QuantumATK 힘 장과 마찬가지로 분자 동역학/타임스탬프 포스 바이어스 몬테카를로/지오메트리 최적화에 사용할 수 있습니다.
QuantumATK 라이브러리에서 제공하는 사전 학습된 ML FF:
벌크 결정질 및 비정질: Si, SiO2, HfO2, TiN, TiSi, TiNAlO
결정질/비정질 및 비정질/비정질 계면: TiN|AlO, Si|SiO2, SiO2|HfO2, HfO2|TiN, Ag|SiO2, Si|Ti|TiSi
표면 공정 시뮬레이션: HfO2 표면 상의 HfCl4 증착(ALD)
자동화되고 효율적인 ML FF 생성 사용자가 새로운 소재를 위한 ML FF를 개발, 체계적으로 개선하고 활용할 수 있도록 지원
학습 구성 자동 생성, 에너지, 힘, 응력 등 DFT를 활용한 학습 데이터 연산, 학습 데이터 피팅, 하이퍼파라미터 검증 및 최적화를 위한 프레임워크
MD 시뮬레이션 중 학습 구성과 DFT 학습 데이터를 능동적으로 추가하여 초기 ML FF를 개선하는 액티브 러닝(Active Learning) 방법
장시간의 무차별 대입 방식(brute-force) 평형화 분자 동역학(MD) 없이도 고품질의 고분자 용융체 또는 복합재 구조를 효율적으로 구축할 수 있습니다.
가교(cross-linked) 또는 3차원 네트워크 구조는 물론 고무와 유사한 네트워크 구조를 형성하는 열경화성 고분자 구축을 위한 가교 반응 툴
호모폴리머, 코폴리머 및 고분자 블렌드
첨가제 분자, 표면, 나노입자 또는 임의의 나노구조 포함
사용자 지정 단량체를 생성하거나 제공된 단량체 데이터베이스의 단량체를 활용하며, 정방향 또는 역방향 배향으로 단량체 추가
단량체 연결 반응을 정의하기 위한 연결성 태그 자동 할당
DREIDING, UFF, OPLS-AA를 위한 자동 포텐셜 생성
초기 평형화를 위한 힘 캡핑 평형화(force-capped-equilibration), 단일 사슬 평균 장(SCMF) 평형화, 고분자 시스템 이완을 위한 에너지 최소화, 21단계 고분자 평형화 자동 워크플로 등의 고분자 평형화 방법
NVE, NVT, NPT 앙상블의 분자 동역학(MD), 타임스탬프가 지정된 힘 편향 몬테카를로(time-stamped force-biased Monte Carlo), 고분자 시스템의 열 전달 모델링을 위한 비평형 운동량 교환, 훅(hook) 함수를 이용한 고급 사용자 지정 기법 등의 시뮬레이션 방법
시뮬레이션을 크게 가속화하기 위한 통합 원자(united atom) 및 거칠게 입자화된(coarse-grained) 고분자 지원
말단 간 거리(end-to-end distance), 자유 체적, 특성 비, 분자 순서 파라미터, 회전 반경을 플롯하기 위한 분석 툴
Ask
BETA
This experience is in beta mode. Please double check responses for accuracy.
i
NOTICE: You are interacting with an AI-powered chatbot that provides general information about Synopsys, including its products and services, which may be incorrect or incomplete. In the event of any conflict or discrepancy, the terms of your applicable agreements supersede any information provided by this chatbot. These chats may be accessed by Synopsys and its service providers to customize the experience and improve this tool, and your use of this chatbot is an agreement to that data processing activity.
채팅 종료
이 창을 닫으면 채팅 기록이 삭제되고 세션이 종료됩니다. 채팅을 종료하시겠습니까?
법적 고지
알림: 귀하는 시놉시스의 제품 및 서비스를 포함하여 시놉시스에 관한 일반적인 정보를 제공하는 AI 기반 챗봇과 상호작용하고 있으며, 해당 정보는 정확하지 않거나 불완전할 수 있습니다. 상충되거나 일치하지 않는 내용이 있는 경우, 적용 가능한 계약의 조건이 본 챗봇이 제공하는 정보에 우선합니다. 이러한 대화 내용은 사용자 경험을 맞춤화하고 본 도구를 개선하기 위해 시놉시스 및 그 서비스 제공업체에서 접근할 수 있으며, 본 챗봇의 사용은 해당 데이터 처리에 동의함을 의미합니다.