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。
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。
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。
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。
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。
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。
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。
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。
[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
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。