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 […]