5 мин. чтения
11/10/2023 12:00:23 PM

Инструмент на основе машинного обучения для моделирования материалов памяти с изменением фазы

Article Preview Image Машино-обучаемый потенциальный подгонка для ПКМ GE-SB-TE.А, генерация справочных данных для все более полных моделей Gap ML.Первоначальная эталонная база данных (ITER-0) содержит кристаллические структуры, включая записи проекта материалов (MP), и снимки AIMD жидких и аморфных фаз.Затем проводится двухэтапный итеративный процесс обучения со стандартными итерациями (ITER-1) и итерациями, специфичными для домена (ITER-2), постепенно расширяя базу данных.B, двумерная структурная карта, представляющая эталонную базу данных, сгенерированную с использованием матрицы сходства SOAP.Кредит: природа электроника (2023).Doi: 10.1038/s41928-023-01030-x

Компьютерное моделирование может в значительной степени способствовать изучению новых многообещающих материалов для технологических применений.К ним относятся так называемые материалы с фазовым изменением (PCM), вещества, которые высвобождают или поглощают тепловую энергию при плавлении и затвердевании, которые являются многообещающими для развития компонентов памяти.

Исследователи из Университета Оксфорда и Университета Xi’an Jiaotong в Китае недавно разработали модель машинного обучения, которая могла бы помочь моделировать эти материалы в атомной масштабе, реалистично воспроизводя условия, при которых работают устройства.Их модель, представленная в статье, опубликованной в природе Electronics, может создавать подробные моделирование на высокой скорости, помогая пользователям лучше понять процессы, разворачивающиеся в устройствах на основе PCM.

«В нашей статье описывается подход компьютерного моделирования для моделирования ПКМ, которые используются в хранении и обработке цифровых данных», - сказал Tech Xplore, один из исследователей, который проводил исследование.«Моделирование этого типа, называемая« молекулярная динамика »(MD), обычно использовались для описания нескольких сотен атомов или около того, и эти мелкие моделирования уже были очень полезны в сообществе PCM.

«Мы используем мощность подходов атомистического машинного обучения (ML), чтобы идти намного дальше, показывая, как мы можем достичь шкалы длины реальных устройств, при этом все еще описывая все отдельные атомы в системе с точностью, сравнимой с квантовой механикой».

Дрингер и его сотрудники назвали моделирование, включенное их моделью с широким термином атомистического моделирования масштаба устройств.Это потому, что это первый метод, который может моделировать более полумиллиона атомов внутри устройств памяти в реалистичных условиях работы устройства.

Вычисления, лежащие в основе модели машинного обучения, были выполнены Yuxing Zhou, докторантом последнего курса, который является частью исследовательской лаборатории Deringer в Оксфорде.Получив степень магистра, Чжоу тесно сотрудничал с Вей в Университете Xi’an Jiaotong, и он также сделал это во время проведения этого исследования.

«Мы не первые авторы, которые описали потенциал ML для PCM-на самом деле, PCM были одним из ранних случаев применения для популярного класса потенциалов нейронной сети, и была опубликована основополагающая статья группы Марко Бернаскони в Италии.Уже более десяти лет назад, - объяснил Дрингер.«Существует также работа со стороны коллег в Великобритании по описанию тройного флагманского соединения, GE2SB2TE5».

GAP-MD моделирование кумулятивного процесса набора в GE1SB2TE4.Кредит: природа электроника (2023).Doi: 10.1038/s41928-023-01030-x

По сравнению с другими моделями, представленными в прошлых исследованиях, модель машинного обучения, разработанная Чжоу, Deringer и их сотрудники, была обучена более разнообразному набору соединений, в частности, во всей так называемой квазивоина-линии между GETE и SB2TE3.В результате их модель описывает широкий спектр материалов, которые могут заинтересовать исследователей, изучающих PCM.

«Работа обеспечивает важное доказательство концепции, что новый тип симуляции-в масштабе полного устройства-теперь возможен для воспоминаний о изменении фазы»,-сказал Динрингер.«Он показывает применение потенциала ML к различным, все более сложным сценариям: рост множественных кристаллических зерен (то есть« цифровые »), так называемое неизотермическое нагревание большой ячейки и пример примененияЭлектрическое поле-все эти моменты имеют отношение к полному пониманию операции «реального мира» устройств на основе PCM ».

Исследователи обучили свою модель в новом наборе данных, который они составили, который включал помеченные квантовые механические данные.После разработки первоначальной версии модели они постепенно начали кормить данные ИТ.

«Результатом этого итеративного процесса является межатомический потенциал на основе ML-эти типы потенциалов раньше были довольно специализированными инструментами несколько лет назад, но теперь стали гораздо более широко применены»,-сказал Дрингер.«Ключевым продвижением в настоящей статье является разработка набора данных, который« подает »модель ML, которая была тщательно построена для представления, например, структурных изменений атомного масштаба при кристаллизации и росте ПКМ».

В начальных тестах модель, созданная этой группой исследователей, оказалась очень многообещающей, что позволяет детально моделировать атомы в ПКМ во время нескольких термических циклов и в то время как моделируемые устройства выполняли деликатные операции.Это демонстрирует выполнимость использования машинного обучения для моделирования целых устройств на основе PCM в атомной масштабе.

«Мы очень заботились о проверке модели (которая особенно важна для потенциалов ML), и мы призываем других попробовать ее - файлы параметров и другие данные открыто предоставляются сообществу», - сказал Дрингер.«Я надеюсь, что эта работа поможет еще больше укрепить важную роль теории и моделирования в области исследований PCM, и что она в конечном итоге поможет создать все более и более реалистичные модели этих материалов и на основе их устройств».

Файлы набора данных и параметров, используемые Чжоу, Deringer и их коллеги, являются открытым исходным кодом и могут быть доступны на Zenodo, поэтому другие команды могут вскоре использовать их для обучения их методов машинного обучения.В будущем их модель может оказаться полезной для ученых-материалов и инженеров по всему миру, помогая пониманию и разработке устройств памяти на основе PCM.

«Одним из ключей следующим шагом будет расширение этих моделей ML для описания других компонентов, относящихся к устройствам памяти, например, материалов OVONIC Threshold», - добавил Дрингер.«Долгосрочная надежда будет заключаться в том, чтобы предоставить« инструментарий »высококачественных наборов данных и моделей ML, которые люди в сообществе могут использовать по существу с полки. Наша текущая статья показывает моделирование по шкале длины, соответствующей реальным устройствам, но другойВыдающаяся задача остается в масштабе времени, поэтому мы также усердно работаем над тем, чтобы наши моделирование, управляемое ML, еще быстрее ».

Больше информации: Yuxting Zhou et al., Атомистическое моделирование в масштабе устройств материалов памяти с фазой, природа электроники (2023).Doi: 10.1038/s41928-023-01030-x

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Водонепроницаемая «электронная перчатка» может помочь в общении дайверов

4/11/2024 · 5 мин. чтения

Водонепроницаемая «электронная перчатка» может помочь в общении дайверов

Перовскитные светодиоды для цифровых дисплеев следующего поколения могут обнаружить отпечатки пальцев

4/11/2024 · 5 мин. чтения

Перовскитные светодиоды для цифровых дисплеев следующего поколения могут обнаружить отпечатки пальцев