通过直接和间接学习为GST阶段变化材料提供计算效率高的机器学习模型
Owen R Dunton1, Tom Arbaugh1, Francis W Starr1
1Department of Physics, Wesleyan University, Middletown, Connecticut 06459, USA.
The Journal of chemical physics
|January 15, 2025
概括
Ge2Sb2Te5 (GST) 的新机器学习潜力为固态内存提供了更快的模拟. 这种原子集群扩展模型能够有效地研究设备规模系统中的相位过渡.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 固态物理 固态物理
背景情况:
- Ge2Sb2Te5 (GST) 是一种非易失性内存的关键相变材料.
- 现有的高斯近似潜力 (GAP) 模型用于GST,虽然准确,但面临大规模模拟的计算限制.
- 分子建模对于理解GST在内存设备中的行为至关重要.
研究的目的:
- 使用原子集群扩展 (ACE) 框架开发一个更快的机器学习 (ML) 潜力Ge2Sb2Te5 (GST).
- 为了实现GST阶段过渡的大长度和时间尺度的模拟.
- 为了比较直接从DFT训练的ACE潜力的性能和准确性,与间接从中间GAP模型训练的ACE潜力的性能和准确性.
主要方法:
- 在原子集群扩展 (ACE) 框架内实现GST的机器学习潜力.
- 直接从密度函数理论 (DFT) 数据中训练ACE潜力.
- 从中间的高斯近似潜力 (GAP) 模型中间接训练ACE潜力.
- 利用图形处理单元 (GPU) 加速来提高计算速度.
主要成果:
- 开发的GST的ACE潜力表现出与GAP潜力相比较的准确性.
- 在ACE潜力实现显著更快的模拟速度,数量级大于GAP.
- 直接和间接训练的ACE潜力都准确地复制了GST的结构和热力学,与实验数据保持一致.
- 加速的ACE模型有助于检查设备规模系统中重复的相位过渡.
结论:
- 基于ACE的ML潜力为研究GST提供了一个计算效率高的工具.
- 这一进步允许研究复杂的现象,如固态记忆材料中的重复相位过渡.
- 开发的潜力大大减少了对GST进行大规模模拟所需的计算资源.
