新思科技
Ansys

用於真實物理模擬的機器學習力場

<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>

機器學習力場(ML FFs)針對大型真實系統尺寸與動態模擬時間尺度,提供接近 ab initio 的精度,其時間尺度遠超過密度泛函理論(DFT)所能及。在 QuantumATK 中使用 ML FFs,可生成新型晶體與非晶態材料、合金、介面及多層堆疊的真實複雜結構,並模擬熱學與力學性質、擴散與表面製程。受惠於預先訓練的 ML FFs 資料庫,或透過自動化且高效的訓練與模擬工作流程開發新的 ML FFs。

QuantumATK 模擬引擎支援在單一平台中使用多種模擬方法進行原子級建模 [1]:具備平面波或 LCAO 基底集的先進密度泛函理論(DFT)、半經驗方法、傳統力場(內建 300 種電位資料庫)以及 ML FFs。所有模擬引擎皆共用一套通用基礎設施,適用於材料性質、分子動力學(MD)、微動彈性帶(NEB)、幾何最佳化及其他模擬。

適用於大型真實系統動態模擬的 ML FFs

  • ML FFs 的速度比 DFT 快 1,000 至 10,000 倍,因此能夠對包含超過 100,000 個原子的真實新型複雜系統進行動態建模,而非僅限於 100 個原子的小型模型系統。
  • ML FFs 針對多元素材料、介面等異質系統,以及遠離平衡態的系統(包括非晶態材料、相變或化學反應),提供接近 ab initio 的精度。
  • 相較於傳統力場,透過 QuantumATK 中提供的自動化工作流程,ML FFs 通常更容易開發。針對此類複雜系統,精確的傳統力場需要更廣泛且繁複的開發過程。

機器學習力場的應用範例

非晶態材料結構生成

為 PCRAM、ReRAM 與 FeRAM 新型記憶體、太陽能電池及其他應用生成非晶態結構。在此範例中,80 皮秒(ps)的 ML FF-MD 在 11 分鐘內生成了包含 600 個原子的 am-SiO2 結構,而使用 16 核心透過 DFT-MD 生成 72 原子結構則需花費 10 天。透過 ML FFs 獲得的結構參數與 DFT 及實驗結果高度吻合。

介面與多層堆疊模擬

建構並最佳化半導體開發應用的複雜晶體與非晶態介面及多層堆疊結構,例如高介電常數金屬閘極(HKMG)(使用多層建構器 GUI)以及 MRAM 磁性穿隧接面工程。此範例顯示近乎無缺陷的 c-Si|am-SiO2|am-HfO2|am-Ti2N HKMG 堆疊的生成結構。

玻璃態非晶態材料模擬

為光電應用生成帶有雜質的玻璃態非晶態材料。在此範例中,ML FF - MD 用於在 2500K 下模擬含有 Na 雜質的大規模 120,000 原子尺寸鈉矽酸鹽玻璃,即 (Na2O)2(SiO2)40000。

結晶與非晶化製程

研究大規模系統中長達 ns(奈秒)的結晶與非晶化製程,例如用於 PCRAM 新型記憶體應用。此範例描繪 2520 原子相變合金材料 Ge2Sb2Te5 的結晶過程。

熱學性質模擬

使用 ML FFs 搭配長達 ns 的反向非平衡分子動力學(RNEMD)模擬來模擬熱導率,以開發 PCRAM 並評估元件中的自熱與散熱情況。範例包括模擬塊材 Ge2Sb2Te5(2300 原子)、Ge2Sb2Te5|Si(882 原子)和 Si|GaAs(864 原子)介面,以及單層 MoS2(108,000 原子)的熱導率。計算值與現有的實驗及 DFT 結果高度吻合。

表面製程建模

使用經過專門訓練的 ML FFs 搭配 MD 來模擬熱原子層沉積(ALD)與原子層蝕刻(ALE)製程。此範例展示熱 ALD 製程的模擬:面積為 4.5 nm2 的 HfO2 表面上的 HfCl4 沉積。前驅物吸附能量與 DFT 結果一致。所獲得的黏附係數與覆蓋率值可用作特徵尺度模型的參數,以最佳化 ALD 的產率。

內建即用型機器學習力場資料庫

QuantumATK 提供動量張量勢(MTPs),相較於其他機器學習力場,MTPs 以較低的計算成本提供高度穩健的精度 [2,3]。受惠於預先訓練且可立即使用的高品質 MTP 資料庫(材料列表請參閱 [4,5]),或透過下方所述的自動生成工作流程,為新材料、介面和表面製程開發 MTPs。

自動且高效地生成機器學習力場

基本工作流程

  • 自動產生訓練組態(基於晶體結構的隨機位移)
  • 使用 DFT 計算訓練資料,例如能量、受力和應力
  • 執行機器學習,即擬合訓練資料
  • 驗證產生的機器學習力場 (ML FF) 並最佳化超參數
  • 使用機器學習力場進行生產模擬,例如分子動力學 (MD)、力偏差蒙地卡羅 (force bias Monte Carlo)、微動彈性帶 (NEB) 與幾何最佳化 
  • 受惠於 OpenMP、大規模平行 MPI 與混合式平行化

先進的主動學習工作流程

  • 在分子動力學模擬期間主動加入訓練組態與 DFT 訓練資料,藉此改善以基本工作流程產生的初始機器學習力場
  • 自動疊代過程係基於指定的組態外推閾值
  • 建議應用於
    • 非晶體系統
    • 介面
    • 高溫系統 
    • 表面製程建模

範本與圖形使用者介面 (GUI)

  • 使用自動訓練工具與圖形使用者介面範本 [6] 進行:
  • 使用軌跡分析器 (Trajectory Analyzer) 圖形使用者介面檢查自動產生的訓練組態
  • 透過比較計算值與現有實驗及 DFT 資料來驗證產生的機器學習力場,適用對象包括: 
    • 徑向/角分佈函數 (RDF 與 ADF)
    • 彈性常數
    • 中子散射因子
    • 化學成分分佈 
    • X 射線散射

QuantumATK 優勢

  • 自動化且使用者友善的訓練資料生成,針對特定應用量身打造 
    • 確保所需訓練資料量與時間降至最低 
    • 在多數情況下,不需要進行計算成本高昂的 ab initio 分子動力學 (MD) 模擬
    • 為複雜系統提供高品質且準確的機器學習力場 (ML FF)
  • 適用於不同模擬引擎的單一介面
    • 輕鬆切換使用 DFT-LCAO 與 DFT-PW 進行訓練
    • 結合機器學習力場與傳統力場、DFT 或半經驗計算器,進一步提升特定應用的準確度

常見問題

機器學習力場的價值

  1. 為什麼無法改用 DFT 來執行所有必要的模擬?
    機器學習力場的速度比 DFT 快 1,000 到 10,000 倍,且通常能達到幾近相同的準確度。使用機器學習力場進行動態模擬可將模擬時間從數天縮短至數分鐘、從數年縮短至數小時,從而能夠對包含 1,000 至 100,000 個或更多原子的真實新型複雜系統進行動態建模。
  2. 為什麼無法改用高效的傳統力場庫來執行所有必要的模擬?
    - 傳統力場僅能用於選定的材料,且將其結合併用於描述不同材料之間的介面等情境時,其能力極為有限且不夠準確。
    - 傳統力場在遠離平衡態的情況下通常不夠準確,而這正是描述非晶質材料、相變或化學反應時所必需的。
  3. 我需要使用機器學習嗎?擬合新的傳統力場可行嗎?
    傳統力場適用於相對簡單的材料,但事實證明,要為複雜材料擬合出準確的傳統力場非常困難,對於多元素材料或異質系統(例如金屬與半導體之間的介面)而言,幾乎是不可能的任務。
  4. 使用機器學習力場可以模擬的最大原子數是多少?
    QuantumATK 團隊已經使用長達 ns 的分子動力學模擬,成功模擬了 100,000 個原子的系統。根據可用的計算資源,機器學習力場也能用來模擬更大的系統。 

QuantumATK 中的機器學習力場

  1. QuantumATK 如何實作動差張量勢 (MTP) 機器學習力場?
    QuantumATK 團隊內部自行實作了 MTP,亦即並非直接採用文獻中的原始 MTP 套件 [2,3]。QuantumATK 團隊預期 QuantumATK 與原始實作具有相似的效率,但由於效率亦取決於分子動力學模擬引擎,因此未進行明確的效率比較。
  2. 使用 QuantumATK 生成機器學習力場需要多長時間?
    若擁有 2-4 個叢集節點(提供 32-72 個核心),取得高品質機器學習力場所需的時間如下:
    - 晶體結構(1-3 種元素):1-2 天,取決於材料的複雜度
    - 介面與非晶質材料(包含主動學習分子動力學):1-2 週,取決於複雜度
    - 更複雜的系統(例如超過 3 種元素、各種介面或原子層沉積 [ALD] 等特殊應用):數週
    在所有情況下,最耗時的部分是生成訓練組態並使用 DFT 計算訓練資料。對訓練資料進行擬合可在數小時或最多一天內完成。在為相似材料(例如不同化學計量、共同元素)開發機器學習力場時,可重複使用已生成的訓練組態。
  3. 可以使用什麼軟體來執行搭配預訓練或生成之機器學習力場的分子動力學模擬?
    僅能使用 QuantumATK 軟體來執行搭配這些機器學習力場的分子動力學模擬。QuantumATK 提供高效能、大規模平行處理的先進分子動力學模擬方法。
  4. QuantumATK 中的機器學習力場如何授權?
    - 基礎授權:使用您親自擬合的機器學習力場執行計算
    - 企業版授權:擬合您自己的機器學習力場或存取內建的機器學習力場庫
  5. 相較於競爭解決方案,QuantumATK 在機器學習力場方面有哪些優勢?
    - QuantumATK 提供使用者友善、自動化且高效的精選訓練資料生成方式,而非手動流程
    - 對於取得高品質機器學習力場以及將訓練時間與資料降至最低(即減少 10-100 倍的 DFT 參考資料量)至關重要
    - 獨特且自動化的 QuantumATK 協定專為特定應用量身打造,例如分子表面沉積或介面
    - 競爭解決方案中的機器學習力場模型 (NNP、GAP 等) 其準確度或速度不及 QuantumATK 中使用的 MTP 模型 [2,3]
    - QuantumATK 已證明其機器學習力場能針對複雜材料(例如非晶質合金、涉及多種材料的介面以及分子表面沉積)提供高度準確且高效的表現,而不僅限於簡單材料
  6. 為什麼訓練組態的生成不包含 ab initio 分子動力學模擬?
    透過 ab initio 分子動力學生成訓練組態是一個計算成本非常高昂的過程。根據 QuantumATK 團隊的經驗,這通常會導致產生遠超所需的 DFT 計算量,因為分子動力學模擬中的後續快照通常高度相關且相似。QuantumATK 主要透過採用針對晶體結構使用隨機位移和應變的訓練協定來驗證這一點。它能很好地描述晶體性質(例如晶格常數、聲子和彈性常數),且在溫和溫度下無需新增來自 ab initio 分子動力學模擬的快照。然而,對於非晶質或其他更複雜的結構,納入 ab initio 分子動力學訓練資料有時也會帶來助益。

參考案例

[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] 預訓練即用型 ML FF 圖書館中的材料:https://docs.quantumatk.com/manual/ForceField.html#pretrained-moment-tensor-potential-mtp-parameter-sets

[6] 自動化機器學習力場 (ML FF) 訓練工具與 GUI 範本教學:https://docs.quantumatk.com/tutorials/mtp_hfo2/mtp_hfo2.html 

深入瞭解 QuantumATK 產品

對將 QuantumATK 軟體應用於您的研究感興趣嗎?測試我們的軟體或透過 [email protected] 與我們聯繫,以獲取有關用於原子級建模的 QuantumATK 平台的更多資訊。

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

結束聊天

關閉此視窗將清除您的聊天紀錄並結束本次會話。您是否確定要結束這次聊天? ```