QuantumATK新版（V-2023.09）已于近日发布。计算方法方面，进一步增加了机器学习力场的易用性和适用性；升级了LCAO-PAW方法，增加了可以应用的范围；新的对角化方法可以将半经验模型应用于百万原子结构；新增加速的分子动力学方法用于模拟结晶过程。在材料性质模拟方面，增强了半导体点缺陷的模拟工具，新增了完整的缺陷扩散模拟工具；新增了研究热化学热解过程的模拟工具。器件模拟方面，SCAN泛函现在可以用于NEGF器件体系模拟，透射分析与伏安特性分析等工具都有重要改进。磁性模拟方面，改进的STT-MRAM的模拟工具套件可以更方便的得到体系的STT和磁性特性。全新的界面建模工具可以直接构建多层结构，并选择不同的表面取向。 还在维护期的用户，请尽快下载并择机更新。欢迎试用、购买新版本。 更多功能介绍和以往版本更新内容请参见： QuantumATK功能列表 机器学习力场更新改进 使用MTP力场进行MD、NEB和结构优化时，速度提升一倍预设了用于MTP力场训练的工作流模块（合金和分子结构训练参数、主动学习和MD模拟），用户使用更加友好主动学习功能现在可以用于NEB模拟，例如使用MTP研究缺陷扩散新增训练好的力场（SiC缺陷体系、In-Ga-Zn-O-H无定型和结晶体系、Hf-Ti-N-Al-O多层结构以及互扩散体系）使用MTP力场进行多层堆叠结构建模的工具现在可以在workflow builder中调用，用于计算流程 全集成的带电点缺陷和缺陷扩散模拟框架 新版本增加了新的集成工作流程，可以自动模拟晶体和非晶材料中的带电点缺陷（形成能、陷阱能级）和缺陷扩散。下面描述的所有功能都可以在GUI中使用（缺陷对除外），并且对于不是DFT模拟专家的用户来说，可以通过Workflow Builder中新的预定义块和模板轻松使用。这简化了模拟缺陷形成能、缺陷扩散和训练缺陷结构的MTP的繁琐手续。 使用LCAO基组与杂化泛函HSE06的组合可用于计算准确的带隙、形成能和陷阱能级，并以与平面波相比，LCAO/HSE06大大降低的计算成本。当模拟大型结构以避免缺陷自相互作用时，这一点尤为重要。 创建缺陷自动找到对称性独特的空位、替位、间隙和分裂间隙缺陷自动搜索对称性独特的缺陷对（使用脚本）计算前在图形界面上查看缺陷结构计算带电点缺陷自动优化并计算不同带电状态的缺陷态添加各向同性的有限尺寸修正在缺陷计算中增加声子，计算形成自由能带隙、形成能、陷阱能级和结构优化可以使用不同的DFT方法图形化分析各种缺陷性质的计算结果缺陷扩散在可能的缺陷之间自动寻找对称性独特的扩散路径，创建NEB系列结构自动优化扩散路径并选择最低能垒的扩散路径计算不同带电状态的缺陷过渡态使用图形化的缺陷扩散分析工具分析计算结果 加速分子动力学模拟结晶过程 结晶在原子时间尺度上通常是一个缓慢的过程，因此使用普通的MD模拟结晶过程非常困难。在本版本中，用户可以用新实现的加速MD方法模拟块体和界面材料中的结晶。 热解的热化学模拟 新版本扩展了如下所示的表面处理模拟流程，新增在给定温度和压力下进行热化学热解模拟步骤，以预测气相组成（平衡浓度）。 DFT改进 PAW-LCAO方法可以用于更多性质计算MullikenPopulationPartialElectronDensityLocalDensityOfStatesBaderChargesHamiltonianDerivativesMagnetic Anisotropy EnergyPAW-LCAO与HSE06泛函同时使用计算能带、总能、力、张力、结构优化等支持自旋非极化、极化、非共线自旋、自旋轨道耦合等MetaGGA SCAN和R2SCAN（也包括Hubbard U校正）现在可以用于NEGF器件模拟 紧束缚模型改进 新增的对角化方法可以直接计算费米能级附近的若干能带，大大加速能带等电子态的计算。这个方法也可以用于DFT计算 电子-声子耦合改进 形变势分析工具的重大改进，可以直接从大体系（纳米结构、界面等）的电声耦合计算中提取有效的形变势Special Thermal Displacement方法现在可以直接在GUI Workflow Builder中设置新增的声子态密度投影分析工具 电子器件模拟更新 透射分析工具改进单个能量点处的k分辨透射现在可以以Wigner-Seitz晶胞展示新增谱电流电导、热电流电导分析工具IVCharacteristics分析工具改进 STT-MRAM模拟更新 新增非零偏压下STT计算分析对象和分析工具非自洽近似下得到原子分辨的贡献在GUI workflow builder中设置MTJ计算分析工具用于分析STT新的Heisneberg分析工具分析材料和MTJ的多种性质交换耦合与距离的相关函数居里温度交换刚度磁子能带结构Dzyaloshinshii-Moria Interactions可以直接在Workflow Builder中建立MTJ模型使用Vampire模拟原子级的自旋动力学 NanoLab图形用户界面更新 新界面建模工具构建多种任意材料的多层界面选择不同的Miller指数，建立更好的界面结构设置不同层的厚度、切面、移动等 新安装框架 Linux安装文件打包为spf格式，使用Synopsys Installer安装。

MTP 机器学习力场更新 新版本继续发展 MTP 机器学习力场，可以为大体系尺寸、大时间尺度提供从头计算精度。与 DFT相比，MTP 的模拟时间缩短了 1000-10000 倍，训练完善的力场则可以做到没有任何实际的精度损失。这使得能够使用分子动力学生成新型晶体和非晶材料、合金、界面和多层堆叠的真实复杂结构，模拟热和力学性能，以及表面沉积/蚀刻和其他动力学过程。 QuantumATK 提供了一系列预先训练的力场，可以用于块体材料和界面。此外，用户可以使用内置的自动化框架生成训练数据，并为新材料定制 MTP 力场。 核心 MTP 框架更新 使用更灵活的力场参数设计，显著提高了多元素体系的精度新增主动学习的外推分级算法 Query-by-CommitteeMTP 训练流程现在在图形界面上新的 Workflow Builder 中可快速轻松地进行设置Nanolab 内置 MTP 分析工具，用于绘制和分析 MTP 数据与参考 DFT 能量、力和应力之间的相关性训练方案更新（生成合金材料的训练数据、界面训练方案的改进）MTP训练功能的改进（自动扫描非线性系数、能量权重、力和应力数据的初始猜测，指定目标样本和结构大小）CrystalPropertyValidation 分析工具，自动计算、比较和绘制 MTP 和 DFT 或任何其他计算工具组合之间的各种材料特性（例如，晶格常数、弹性常数、声子、状态方程）。 预先训练的力场 新增预先训练力场（如MgO、FeCo、W、Ta 和 FeCo 合金等的界面、钴硅化合物与界面、InGaZnO、GeSbTe重新训练的 HKMG 堆叠和界面的MTP力场，添加 Ru、Sc 和他们与 HfO2 的界面重新训练的 TiNAlO 力场，提高了精度 图形界面的多层堆叠生成工具 新 MTJ 建模工具，用于构建 MRAM 应用的多层堆叠结构HKMG 堆叠建模工具改进，改进了晶体界面适配和优化的算法，添加栅极（Sc和Ru）以及氧化物结构HKMG 和 […]

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 […]