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。
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。
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。
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。
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。
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。
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。
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。
[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
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。