新思科技
Ansys

面向真实物理的机器学习力场

<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>

机器学习力场(ML FF)能够为大型真实系统规模及动力学模拟时间尺度提供接近 ab initio(从头算)的精度,其规模和时间尺度远超密度泛函理论(DFT)所能及的范围。在 QuantumATK 中使用 ML FF,可生成新型晶体与非晶材料、合金、界面及多层膜堆栈的真实复杂结构,并模拟其热学与机械性能、扩散及表面过程。您可受益于预训练的 ML FF 库,或借助自动化且高效的训练与模拟工作流开发新的 ML FF。

QuantumATK 仿真引擎支持在同一平台 [1] 上使用多种仿真方法进行原子级建模:采用平面波或 LCAO 基组的先进密度泛函理论(DFT)、半经验方法、常规力场(内置包含 300 种势能的数据库)以及 ML FF。所有仿真引擎共享通用的基础设施,用于材料属性、分子动力学(MD)、微动弹性带(NEB)、几何优化及其他仿真。

用于大规模真实系统动力学模拟的 ML FF

  • ML FF 的速度比 DFT 快 1000 到 10,000 倍,从而能够对包含 100,000 多个原子的真实新型复杂系统进行动力学建模,而不再局限于 100 个原子的小型模型系统。
  • ML FF 为多元材料、界面等异质系统以及远离平衡态的系统(包括非晶材料、相变或化学反应)提供接近 ab initio(从头算)的精度。
  • 借助 QuantumATK 中提供的自动化工作流,开发 ML FF 通常比开发常规力场更为容易。要为如此复杂的系统开发准确的常规力场,则需要进行更广泛、更复杂的开发过程。

机器学习力场的应用示例

非晶材料的结构生成

为 PCRAM、ReRAM 和 FeRAM 等新型存储器、太阳能电池及其他应用生成非晶结构。在此示例中,80ps 的 ML FF-MD 在 11 分钟内生成了包含 600 个原子的 am-SiO2 结构,而使用 DFT-MD 在 16 核上生成 72 原子结构则耗时 10 天。通过 ML FF 获得的结构参数与 DFT 及实验结果高度吻合。

界面与多层膜堆栈仿真

构建并优化用于半导体开发应用的复杂结晶与非晶界面及多层堆栈结构,例如高 k 金属栅(HKMG)(使用多层膜构建器 GUI)和 MRAM 磁性隧道结工程。此示例展示了生成的近无缺陷 c-Si|am-SiO2|am-HfO2|am-Ti2N HKMG 堆栈结构。

玻璃态非晶材料仿真

生成带有杂质的玻璃态非晶材料以用于光电应用。在此示例中,ML FF-MD 用于在 2500K 下模拟包含 Na 杂质的大规模 120,000 原子钠硅酸盐玻璃 (Na2O)2(SiO2)40000。

结晶与非晶化过程

使用 ML FF-MD 研究大规模系统中持续 ns 级(纳秒级)的结晶与非晶化过程,例如用于 PCRAM 新型存储器应用。此示例描绘了 2520 原子相变合金材料 Ge2Sb2Te5 的结晶过程。

热学性质仿真

使用 ML FF 结合持续 ns 级(纳秒级)的反向非平衡分子动力学(RNEMD)仿真来模拟热导率,从而用于开发 PCRAM 以及评估器件中的自热和散热。示例包括模拟块体 Ge2Sb2Te5 (2300 个原子)、Ge2Sb2Te5|Si(882 个原子)和 Si|GaAs(864 个原子)界面以及单层 MoS2(108,000 个原子)中的热导率。计算值与现有实验和 DFT 结果高度吻合。

表面工艺建模

使用经过专门训练的 ML FF 结合分子动力学(MD)来模拟热原子层沉积(ALD)和原子层蚀刻(ALE)过程。此示例展示了热 ALD 过程的仿真:在面积为 4.5 nm2 的 HfO2 表面上沉积 HfCl4 。前驱体吸附能与 DFT 结果一致。所得出的粘附系数和覆盖率值可用作特征尺寸模型(feature scale model)的参数,以优化 ALD 的产率。

内置的现成机器学习力场库

QuantumATK 提供矩张量势(MTP),与其他机器学习力场相比,它们在降低计算成本的同时提供了高鲁棒性的精度 [2,3]。您可受益于预训练的现成高质量 MTP 库(材料列表请参见 [4,5]),或利用下文所述的自动生成工作流为新材料、界面和表面过程开发 MTP。

自动化高效生成机器学习力场

基本工作流

  • 自动生成训练配置(基于晶体结构的随机位移)
  • 使用 DFT 计算训练数据,例如能量、力和应力
  • 执行机器学习,即对训练数据进行拟合
  • 验证生成的机器学习力场 (ML FF) 并优化超参数
  • 将机器学习力场用于生产仿真,例如分子动力学 (MD)、力偏置蒙特卡罗、微动弹性带和几何优化 
  • 受益于 OpenMP、大规模并行 MPI 以及混合并行化

高级主动学习工作流

  • 在分子动力学仿真过程中,通过主动添加训练配置和 DFT 训练数据,改进基本工作流生成的初始机器学习力场
  • 自动迭代过程基于指定的配置外推阈值
  • 推荐用于
    • 非晶态系统
    • 界面
    • 高温系统 
    • 表面过程建模

模板与图形用户界面 (GUI)

  • 使用自动训练工具和 GUI 模板 [6] 进行:
  • 使用轨迹分析器 GUI 检查自动生成的训练配置
  • 通过将计算值与以下内容的现有实验数据和 DFT 数据进行对比,来验证生成的机器学习力场 (ML FF): 
    • 径向/角分布函数 (RDF 和 ADF)
    • 弹性常数
    • 中子散射因子
    • 化学成分分布 
    • X 射线散射

QuantumATK 的优势

  • 自动化、用户友好的训练数据生成,专为特定应用量身定制 
    • 确保所需的训练数据量和时间最少 
    • 在大多数情况下,无需进行计算成本高昂的从头计算 (ab initio) 分子动力学 (MD) 模拟
    • 为复杂系统提供高质量、高精度的 ML FF
  • 适用于不同模拟引擎的单一界面
    • 轻松在基于 DFT-LCAO 和 DFT-PW 的训练之间进行切换
    • 将 ML FF 与常规力场、DFT 或半经验计算器相结合,进一步提高特定应用中的精度

常见问答

机器学习力场的价值

  1. 为什么无法改用 DFT 运行所有必需的模拟?
    ML FF 的速度比 DFT 快 1,000 到 10,000 倍,且通常能保持几乎相同的精度。使用 ML FF 进行动力学模拟可将模拟时间从几天缩短至几分钟、从数年缩短至数小时,从而能够对包含 1,000 到 100,000 个甚至更多原子的现实新型复杂系统进行动力学建模。
  2. 为什么无法改用高效的常规力场库运行所有必需的模拟?
    - 常规力场仅可用于选定的材料,将其组合以描述不同材料之间的界面等情况的能力非常有限且不够精确。
    - 在偏离平衡态的情况下(这对于描述非晶态材料、相变或化学反应是必需的),常规力场的精度通常不高。
  3. 我需要使用机器学习吗?拟合新的常规力场又如何?
    常规力场适用于相对简单的材料,但事实证明,为复杂材料拟合高精度的常规力场极其困难,对于多元素材料或异质系统(例如金属和半导体之间的界面)而言几乎是不可能的。
  4. 使用 ML FF 可以模拟的最大原子数是多少?
    QuantumATK 团队已成功模拟了包含 100,000 个原子的系统,并进行了时长达 ns 级的 MD 模拟。根据可用的计算资源,ML FF 还可以模拟更大规模的系统。 

QuantumATK 中的机器学习力场

  1. QuantumATK 是如何实现矩量张量势 (MTP) ML FF 的?
    QuantumATK 团队在内部实现了 MTP,即未使用文献 [2,3] 中的原始 MTP 软件包。QuantumATK 团队预计 QuantumATK 实现与原始实现的效率相近,但由于这也取决于 MD 模拟引擎,因此未进行显式的效率对比。
  2. 使用 QuantumATK 生成 ML FF 需要多长时间?
    在拥有 2-4 个集群节点(可用 32-72 个核心)的情况下,获取高质量 ML FF 所需的时间如下:
    - 晶体结构(1-3 种元素):1-2 天,具体取决于材料的复杂程度
    - 界面和非晶态材料(包括主动学习 MD):1-2 周,具体取决于复杂程度
    - 更复杂的系统(例如 3 种以上元素、各种界面或原子层沉积 (ALD) 等特殊应用):数周
    在所有情况下,最耗时的部分都是生成训练配置并使用 DFT 计算训练数据。对训练数据进行拟合可在几小时或最多一天内完成。在为类似材料(例如不同的化学计量比、常见元素)开发 ML FF 时,可以重复使用生成的训练配置。
  3. 可以使用什么软件来运行预训练或生成的 ML FF 的 MD 模拟?
    只能使用 QuantumATK 软件运行使用这些 ML FF 的 MD 模拟。QuantumATK 提供高性能、大规模并行的先进 MD 模拟方法。
  4. QuantumATK 中的 ML FF 是如何授权的?
    - 基础许可证:使用您自己拟合的 ML FF 运行计算
    - 精英许可证:拟合您自己的 ML FF 或访问内置的 ML FF 库
  5. 相比竞争解决方案,QuantumATK 在机器学习力场方面有哪些优势?
    - QuantumATK 提供用户友好、自动且高效的策划训练数据生成方式,而非手动流程
    - 对于获得高质量 ML FF 以及最大限度减少训练时间和数据至关重要,即 DFT 参考数据量减少 10-100 倍
    - 独特且自动化的 QuantumATK 协议专为分子表面沉积或界面等特定应用量身定制
    - 竞争解决方案中的 ML FF 模型(NNP、GAP 等)比 QuantumATK 中使用的 MTP 模型精度更低或速度更慢 [2,3]
    - QuantumATK 已针对复杂材料(例如非晶合金、涉及多种材料的界面以及分子表面沉积,而不仅仅是简单材料)证明了其高度准确且高效的 ML FF
  6. 为什么训练配置的生成不包含从头计算 (ab initio) MD 模拟?
    使用从头计算 MD 生成训练配置是一个计算成本极高的过程。根据 QuantumATK 团队的经验,这通常会导致比实际需要多得多的 DFT 计算,因为 MD 模拟中的后续快照通常高度相关且相似。QuantumATK 主要通过采用对晶体结构使用随机位移和应变的训练协议对此进行了验证。它能够很好地描述晶体属性(例如晶格常数、声子和中等温度下的弹性常数),而无需添加来自从头计算 MD 模拟的快照。然而,对于非晶结构或其他更复杂的结构,有时包含从头计算 MD 训练数据也会带来益处。

参考资料

[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 功能:https://www.synopsys.com/silicon/quantumatk/resources/feature-list.html#MLforcefield

[5] 预训练即用型 ML FF 库中的材料:https://docs.quantumatk.com/manual/ForceField.html#pretrained-moment-tensor-potential-mtp-parameter-sets

[6] 自动 ML FF 训练工具和 GUI 模板教程:https://docs.quantumatk.com/tutorials/mtp_hfo2/mtp_hfo2.html 

了解有关 QuantumATK 产品的更多信息

有意将 QuantumATK 软件应用于您的研究?测试我们的软件或通过 [email protected] 与我们联系,以获取有关 QuantumATK 原子级建模平台的更多信息。

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

结束聊天

关闭此窗口将清除您的聊天记录并结束本次会话。您是否确定要结束本次聊天?