EDA工具
System
IP
SolvNetPlus
培训中心
定义
机器学习力场（ML-FFs）旨在通过直接从密度泛函理论（DFT ）等计算中学习原子尺度系统中的能量和相互作用，从而克服精确从头算方法在系统规模上的局限性。这与传统力场（FF）形成鲜明对比，后者试图对能量景观的固定解析近似进行参数化。 经过充分训练后，ML-FFs能够预测更大规模系统中的这些相互作用，从而将分子动力学（MD）模拟中从头算方法的精度与传统力场的计算效率相结合。其结果是一种现代化的、数据驱动的方法，可用于加速几乎任何类型材料的原子尺度材料性质模拟。
机器学习力场是如何工作的？
与传统的FF不同，ML-FF基于数学构造，其中几乎不包含任何物理概念。 因此，利用相关的高精度DFT 数据（能量、力、应力）对ML-FF进行训练，是针对特定系统和应用获得可靠ML-FF的关键。在训练和模拟过程中，配置中的原子环境会被转换为一组通用描述符（特征），这些特征会被输入到实际的机器学习算法（例如线性回归测试 或神经网络）中，以预测原子配置的能量。 ML-FF的训练是通过调整机器学习模型中的参数，以最小化训练数据中预测值与从头算能量、力和应力之间的差异来实现的。训练完成后，ML-FF模型即可像任何其他传统FF一样，用于原子尺度的模拟。
机器学习力场有哪些优势？
原子尺度分子动力学（MD）模拟中长期存在的一个挑战是：可靠的模拟模型要么计算成本过高（从头算），无法达到能够捕捉实际系统复杂性的模拟时间和长度尺度；要么在相关系统中的精度有限（传统自由能泛函）。 ML-FF方法为这一挑战提供了解决方案，并能够模拟原子尺度的动力学过程；这些过程不仅要求高精度，而且发生在较长的时间尺度上，例如扩散、结晶或淀积 ，从而使用户不仅能够在复杂性显著降低的模型系统上模拟此类过程，还可以在更接近现实的复杂系统上进行模拟，且不会损失精度。 此外，ML-FF 还使用户能够快速生成并优化各种不同的现实输入结构，这些结构可用于例如从头算（ab initio）计算。这不仅显著减少了计算成本高昂的计算次数，还允许对不同的结构参数进行更广泛的探索（吞吐量 ），此外还有其他诸多益处。
机器学习力场如何融入 新思科技 产品组合中的定位？
来自 新思科技 是市场上最先进、功能最全面的材料模拟软件之一。它可用于计算复杂分子、非晶和晶体材料、界面乃至原子级器件的电子、热学、力学、光学、磁学、铁电、热电等众多性质。
QuantumATK 实现了力矩张量势（MTP ）类 ML-FF，这是一种现代化的、最先进的算法，在精度和效率之间实现了极佳的平衡。 QuantumATK 的一个主要优势在于，它在一个统一的平台上集成了多种材料模拟框架，包括DFT 、紧束缚方法和力场。因此，那些同时需要DFT 和力场模拟的高级机器学习力场（ML-FF）训练工作流，均可在单一软件平台内创建并执行。
QuantumATK 还附带了专门设计的自定义工作流，旨在最大限度地减少生成可靠的 ML-FF 所需的DFT 计算次数，并自动完成了训练工作流的大部分环节。下图展示了 QuantumATK 中针对MTP 的 ML-FF 训练工作流的主要步骤：
- 使用 QuantumATK 中的高效自动协议之一生成训练配置
- 为这些配置计算DFT 的训练数据
- 使用生成的训练数据对机器学习模型进行训练
- 在仿真中，像使用其他任何有限元（FF）一样使用最终的MTP 模型
超越机器学习力场
随着半导体行业不断向更先进的工艺节点迈进，器件界面的原子尺度细节和纳米尺度的热传导特性对器件及工艺设计变得越来越重要。目前已采用多种 新思科技 TCAD 工具被用于应对这些挑战，而ML-FF方法是将原子级模拟与其中许多工具相连接的关键，例如，它能为先进逻辑器件的高K金属栅极堆栈的详细成分提供原子级见解，或用于计算新型材料和界面的热学性质。
将机器学习力场付诸实践
QuantumATK 案例研究
QuantumATK 的“多层构建器”（Multilayer Builder）中预训练的矩张量势函数，可用于生成和优化高-K金属栅极堆栈中界面近似实际的原子尺度构型。所得构型可用于研究电子或结构特性，例如探究层厚、缺陷或掺杂剂的影响。
继续阅读
