電子設計自動化 (EDA)
系統
矽智財 (Silicon IP)
SolvNetPlus
教育與訓練課程
定義
機器學習力場（ML-FFs）旨在透過直接從密度泛函理論（密度泛函理論 , DFT）計算等來源，學習原子尺度系統中的能量與相互作用，藉此克服精確從頭算（ab initio）方法在系統規模上的限制。這與傳統力場（FF）形成對比，後者試圖將能量景觀的固定解析近似進行參數化。 經過充分訓練後，ML-FFs 能夠針對規模大得多的系統預測這些相互作用，從而將分子動力學（MD）模擬中從頭算方法的準確性，與傳統力場的計算效率相結合。其結果是一種現代且以數據為驅動的方法，可加速幾乎任何種類材料的原子尺度材料性質模擬。
機器學習力場是如何運作的？
與傳統的 FF 不同，ML-FF 基於數學構建，其中內含的物理概念極少。 因此，針對相關的高精度密度泛函理論（DFT）數據（能量、力、應力）對 ML-FF 進行訓練，是為特定系統與應用獲得可靠 ML-FF 的關鍵。在訓練與模擬過程中，配置中的原子環境會被轉換為一組通用描述子（特徵），並將其輸入至實際的機器學習演算法（例如線性迴歸或神經網路）中，以預測該原子配置的能量。 ML-FF 的訓練是透過調整機器學習模型中的參數，以將訓練資料中預測值與第一性原理能量、力及應力之間的差異最小化。當訓練完成後，ML-FF 模型便可如同任何其他傳統 FF 一般，用於原子尺度的模擬。
機器學習力場有哪些好處？
在原子尺度分子動力學（MD）模擬中，長期以來的挑戰在於：可靠的模擬模型要麼成本過高（從頭算），難以達到足以捕捉真實系統複雜性的模擬時間與長度尺度；要麼在相關系統上的精確度有限（傳統自由能函數）。 ML-FF 方法為此挑戰提供了解決方案，並能實現例如原子尺度動力學過程的模擬；這些過程雖需高精度，但發生於較長的時間尺度上，例如擴散、結晶或沉積，因此使用者不僅能在複雜度大幅降低的模型系統上模擬此類過程，還能對更貼近現實的複雜系統進行模擬，且不失準確性。 此外，ML-FF 還能讓使用者快速生成並優化各種不同的真實輸入結構，這些結構可用於例如從頭算（ab initio）計算。這不僅能顯著減少運算成本高昂的計算次數，還能提高不同結構參數的處理量，並帶來其他諸多好處。
機器學習力場如何融入 新思科技 產品組合中？
來自QuantumATK 的原子級建模平台 新思科技 xml-ph-0000@deepl.internal 原子級建模平台，是市面上最先進且功能最全面的材料模擬軟體之一。它可用於計算複雜分子、非晶態與結晶態材料、界面，甚至原子級裝置的電子、熱學、力學、光學、磁學、鐵電、熱電等眾多性質。
QuantumATK 實作了一類稱為「力矩張量勢能（MTP）」的 ML-FF，這是一種現代且最先進的演算法，能在準確度與效率之間取得絕佳的平衡。QuantumATK 的主要優勢之一在於，它將多個材料模擬框架整合於單一統一平台中，包括密度泛函理論（DFT）、緊束縛法以及力場。因此，那些同時需要 DFT 與力場模擬的進階 ML-FF 訓練工作流程，皆可在單一軟體平台內建立並執行。
QuantumATK 此外，該軟體還附帶專為減少生成可靠 ML-FF 所需 DFT 運算次數而特別設計的自訂工作流程，並能自動化訓練工作流程的大部分環節。下圖說明了在QuantumATK 中，MTP 的 ML-FF 訓練工作流程的主要步驟：
- 使用其中一種高效的自動協定來產生訓練配置，詳見QuantumATK
- 針對這些配置計算 DFT 訓練資料
- 根據生成的訓練資料來訓練機器學習模型
- 在模擬中，將最終的 MTP 模型像其他 FF 一樣使用
超越機器學習力場
隨著半導體產業持續朝更先進的製程節點邁進，元件介面的原子尺度細節與奈米尺度的熱傳輸特性，對元件與製程設計而言變得愈發重要。目前有幾種 新思科技 TCAD 工具被用於應對這些挑戰，而 ML-FF 方法論是將「原子級模擬 」與其中許多工具相連結的關鍵，例如透過提供關於先進邏輯電路中高-K 金屬閘極堆疊詳細組成的原子尺度見解，或是計算新型材料與介面的熱學性質。
將機器學習力場應用於實務
QuantumATK 案例研究
QuantumATK「多層建構器」（Multilayer Builder）中預訓練的動量張量勢能，可用於生成並優化高介電常數金屬閘極堆疊中介面近似真實的原子尺度配置。所得的配置可用於研究電子或結構特性，例如探究層厚、缺陷或摻雜劑的影響。
繼續閱讀
