机器学习力场：模拟真实体系 机器学习力场（ML-FFs）可以进行接近从头算精度的模拟，但是模拟体系的尺寸和动态模拟时间尺度则大大超过了从头算，更接近真实情况。使用 QuantumATK 中的机器学习力场功能可以生成新颖的晶体和非晶材料、合金、界面和多层堆叠的真实的复杂结构，模拟热性能和机械性能、扩散和表面过程。用户可以使用预先训练的机器学习力场库，或使用自动化、高效的训练和仿真工作流程开发新的机器学习力场。 QuantumATK中的计算引擎 QuantumATK 计算模拟引擎能够在一个平台上使用多种模拟方法进行原子级建模和模拟[1]：先进的密度泛函理论（DFT）（平面波基组的 DFT-PlaneWave 或 原子轨道基组的 DFT-LCAO ）、半经验量子力学方法、传统力场（内置 300 余力场数据库）和机器学习力场。所有模拟引擎在材料特性、动力学、过渡态搜索（NEB）、几何结构优化和其他模拟等方面均使用一个计算框架，这为 QuantumATK 上训练和使用机器学习力场提供了绝佳的集成环境。 使用机器学习力场对大型真实体系进行动力学模拟 机器学习力场比 DFT 快 1000 到 10000 倍，因此能够对包含超过 100000 个原子的真实、新颖、复杂的体系进行动力学模拟（通常 DFT 可以达到的 100 原子体系）；机器学习力场为多元素材料、界面等异质体系和远离平衡的体系（包括非晶态材料、相变或化学反应）提供了几乎和从头算一样的精度；使用 QuantumATK 提供的机器学习力场的自动化计算流程，可以比传统力场更容易完成动力学计算。一般来说，复杂体系的传统力场计算过程往往很复杂，需要反复测试和调整计算过程与参数。 机器学习力场的应用实例 生成非晶材料结构 为 PCRAM、ReRAM 和 FeRAM 等新型存储器、太阳能电池和其他应用领域生成非晶结构。在这个例子中，80 ps-ML-FF-MD 在 11 分钟内生成了 600个原子的 am-SiO2 结构，而在 16 个核上用 DFT-MD 生成 72 个原子的结构需要 10 天。用 ML-FFs […]

更新概要 QuantumATK T-2022.03 新版已经正式发布，新版包含多种新的计算方法和应用工具：机器学习力场功能更加完善，可以用于更多类型的计算；大体系计算方面进一步突破，超大体系的杂化泛函 DFT 的功能更加实用，大体系的声子与电声耦合计算更加精确、快速；新实现的器件体系的非弹性输运计算方法可以用于模拟更加逼真的器件性能；应用方面，新增多种用于电池材料、聚合物材料、磁性存储器件（STT-MRAM）模拟的方法和工具。 更多基本功能介绍与近几年的历次新版发布，请参考： QuantumATK功能列表QuantumATK S-2021.06 新版发布QuantumATK R-2020.09 新版发布QuantumATK Q-2019.12 新版发布QuantumATK P-2019.03新版发布 欢迎参加 Synopsys 举办的新版在线发布会，详情： Synopsys Webinar：QuantumATK T-2022.03 新版发布会 机器学习力场：真实结构模拟和性质的计算 计算时间比密度泛函理论（DFT）缩短了1000-10000倍，计算精度仍然可以达到 DFT 水准，从而使得以计算的体系尺寸大小和时间尺度都大大超过 DFT 方法使用 ML 力场 —— Moment Tensor Potential（MTP）用于分子动力学（MD），可以：生成真实的复杂结构，包括全新的晶体和非晶态块体材料、合金、界面和多层堆叠示例应用：使用多层构建器 GUI 生成 PCRAM 的 GST 材料结构、高k金属栅极堆叠模拟诸如二维材料的力学和热性能模型表面过程（例如：ALD和ALE）还可以在无常规力场/难以开发常规力场的其他情况下使用可用的 MTP 库，带有一系列块体材料和界面的训练好的MTP力场 机器学习力场：自动化产生力场 自动训练工具和 GUI 模板，用于晶体和非晶态块体材料、界面和分子的力场训练主动学习：通过从几个不同的初始结构并行开始，更高效的在 MD 过程中生成基于主动学习的 DFT 训练数据改进的 MTP 培训框架，包括找到大多数不同培训配置的工具，以减少MTP培训数据集 机器学习力场：表面过程模拟 使用专门训练的 ML […]

概述 传统的力场往往受到其函数形式的限制，只能精确地描述相空间的一小部分。当研究对象包含复杂的材料或界面时，往往缺乏有效的力场形式和参数，通常的做法是通过将各种简单体系计算得来的经验势拼凑在一起。这样做不仅复杂、耗时，更重要的是，对于非晶结构和不同材料之间的界面等复杂体系常常会导致很大的误差。 基于机器学习的 Moment Tensor Potential（ML-MTPs）使用一组从头算的数据集进行模型训练，得到的力场参数可以用于模拟复杂的、多元素的晶体、非晶、液晶、界面、缺陷和掺杂等实际体系，计算精度接近从头算，计算速度却可以比从头算快数百到上千倍。 ML-MTPs的优势 相较于其他机器学习力场，ML-MTPs有多种优势： 描述符可以有效的描述多体效应 描述符不需要高度复杂和计算耗时的 ML 算法 训练集可以在不损伤精度的情况下扩增，不需要进行数据清洗 应用 MTPs 力场可以高精度、快速的计算原子间相互作用（能量、力、张力），进行分子动力学、结构优化和 NEB 模拟； 加速的 MD 方法包括可以对罕见事件采样、研究慢速机制的 fbMC等 模拟实际的、复杂的多元素晶体、无定形材料、界面，缺陷和杂质的迁移势垒、热输运、结晶过程等 精度与速度 使用力场进行计算比 DFT 快 100~1000 倍 MTP是目前市面上最精确和高效的 ML 力场 与从头算精度几乎一致，特别适合没有传统力场或需要更高精度的情况 自动化流程 MTPs 使用不同材料、元素的代表性结构的从头算结果数据集进行训练 QuantumATK 包含自动化的流程框架（Study Object 脚本），完成对力场模型的训练、模拟、验证，用户可以自行扩展和开发适用于新材料的 MTPs 力场 主动学习 MTP 可以在分子动力学（MD）模拟过程中自动增加 DFT 训练集 有助于更好的获得（高温条件下）无定形材料、液体的结构 使用delta方法可以扩展MTP（将多种MTPs叠加使用），用于更复杂的多层体系：训练MTP使得可以不损伤已有材料MTPs精度的前提下添加新的材料层。 参考 更强大、更灵活的材料动力学模拟工具 ForceField：QuantumATK的经验力场计算引擎 更多QuantumATK 最新版本的功能更新 QuantumATK […]

概述 非平衡态格林函数（NEGF）方法，是研究具有开放边界条件的双端半无限电极电极模型的有力工具，现已经成为在原子尺度上模拟器件体系电子输运性质的标准工具。该方法将 DFT-LCAO 或 SemiEmpirical方法与 NEGF 方法结合进行自洽计算，得到器件体系在非平衡态（非零偏压）下的电子态，并由此得到电子在器件散射区的透射概率谱，进而分析电子输运性质。 NEGF方法研究双电极体系 非平衡态格林函数（NEGF）描述散射区电子分布，包括与两个半无限电极（源漏电极）的自能耦合 开放边界条件（Dirichlet/Dirichlet）允许在源漏之间施加有限偏压，并计算伏安特性（IV 曲线） 包括电极电子态混入器件区域对电子密度和矩阵元的贡献 对开放体系使用电子自由能取代总能 可以处理两端不同的电极（允许研究孤立的界面，例如金属-半导体界面、p-n 结） 可以添加静电栅极，研究晶体管特性 NEGF 方法研究单表面体系 NEGF 方法描述表面层，包含与单个半无限基底耦合的自能项（不使用近似的 slab 模型，对表面的描述更接近物理实质） 无限基底和表面上方的真空分别使用合适的边界条件，可以进行表面非零偏压的计算 计算性能和稳定性选项 非平衡态（有限电压）下的散射态方法快速求算 Contour 积分 O(N) 格林函数计算和稀疏矩阵描述中心区域 双、单半圆 contour 积分方法以获得有限偏压下的最大的稳定性 Ozaki contour 积分方法，包含深能级 稀疏自能矩阵方法，节约内存 可选择将自能临时或者永久保存在硬盘（而不是RAM），供其他计算使用 自适应（非常规）k点积分计算透射系数 最小电极概念 电极缩减到最小重复单元，计算自能时自动重复 节约电极计算时间O(N3) 应用 电子输运与器件性能仿真工具 材料表面的建模和模拟工具 材料界面的建模和模拟工具 参考 QuantumATK中的NEGF方法技术细节（英文） 立即试用 QuantumATK！ 下载QuantumATK软件安装包 申请QuantumATK的全功能试用许可