一种基于机器学习的相变记忆材料建模工具

Ge-Sb-Te PCM的机器学习电位拟合。 a，为日益全面的GAP ML模型生成参考数据。初始参考数据库 （iter-0） 包含晶体结构，包括材料项目 （MP） 条目，以及液相和非晶相的 AIMD 快照。然后执行两步迭代训练过程，标准迭代 （iter-1） 和特定领域的迭代 （iter-2） 逐渐扩展数据库。b，表示参考数据库的二维结构图，使用SOAP相似性矩阵生成

计算机模拟是有助于研究有技术应用前景的新材料。其中包括所谓的相变材料（PCM），即在熔化和固化时释放或吸收热能的物质，这对存储器组件的开发很有前景。

牛津大学和中国西安交通大学的研究人员最近开发了一种机器学习模型，可以帮助在原子尺度上模拟这些材料，真实地复制设备运行的条件。他们的模型发表在《自然电子》杂志上的一篇论文中，可以高速生成详细的模拟，帮助用户更好地了解基于PCM的设备中的过程。

开展这项研究的研究人员之一Volker Deringer表示：“我们的论文描述了一种用于数字数据存储和处理的PCM建模的计算机模拟方法。这种被称为‘分子动力学’（MD）的模拟通常用于描述几百个左右的原子，这些小规模的模拟在PCM社区中已经非常有用。”

“我们利用原子机器学习（ML）方法的力量走得更远，展示了我们如何达到真实设备的长度尺度，同时仍然以与量子力学相当的精度描述系统中的所有单个原子。”

Deringer和他的合作者将他们的模型所实现的模拟称为广义的设备规模原子建模。这是因为它是第一种可以在现实的设备操作条件下对存储器设备内50多万个原子进行建模的技术。

支撑机器学习模型的计算是由牛津Deringer研究实验室的大四博士生Yuxing Zhou完成的。周在西安交通大学攻读硕士学位期间，曾与魏密切合作，他在进行这项研究时也这样做了。

Deringer解释道：“我们不是第一个描述PCM的ML潜力的作者——事实上，PCM是一类流行的神经网络潜力的早期应用案例之一，Marco Bernasconi在意大利的团队十多年前就已经发表了一篇基础论文。英国的同事也在描述三元旗舰化合物Ge2Sb2Te5。”

与过去研究中引入的其他模型相比，Yuxing Zhou、Deringer及其合作者开发的机器学习模型是在一组更多样的化合物上训练的，特别是GeTe和Sb2Te3之间的所有所谓准二元线。因此，他们的模型描述了研究相变材料的研究人员可能感兴趣的广泛材料。

Deringer说：“这项工作为相变存储器提供了一个重要的概念证明，一种新型的模拟，在全设备规模上，现在可能用于相变存储器。它展示了ML潜力在各种越来越具有挑战性的场景中的应用：多个晶粒的生长（即‘数字晶粒’）、大电池的所谓非等温加热，以及外加电场的一个例子，所有这些点都与充分理解基于PCM的设备的‘真实世界’操作有关。”

研究人员在他们汇编的新数据集上训练了他们的模型，其中包括标记的量子力学数据。在开发出该模型的初始版本后，他们逐渐开始向其提供数据。

Deringer说：“这个迭代过程的结果是一个基于ML的原子间势——几年前，这些类型的势曾经是非常专业的工具，但现在已经得到了更广泛的应用。本文的一个关键进展是开发了为ML模型‘提供信息’的数据集，该模型是经过精心构建的，用于表示PCM结晶和生长过程中的原子级结构变化。”

在最初的测试中，该研究团队创建的模型被证明非常有前景，能够在多个热循环期间以及模拟设备执行精细操作时对相变材料中的原子进行详细建模。这证明了使用机器学习在原子尺度上模拟基于PCM的整个设备的可行性。

Deringer说：“我们非常小心地验证了这个模型（这对ML潜力特别重要），我们鼓励其他人也尝试一下——参数文件和其他数据是公开提供给社区的。我希望这项工作将有助于进一步加强理论和模拟在PCM研究领域的重要作用，并最终有助于创建越来越逼真的这些材料及其器件的模型。”

Yuxing Zhou、Deringer和他们的同事使用的数据集和参数文件是开源的，可以在Zenodo上 访问，因此其他团队很快可以使用它们来训练他们的机器学习技术。在未来，他们的模型可能对世界各地的材料科学家和工程师有用，有助于理解和设计基于PCM的存储设备。

Deringer补充道：“下一步的一个关键步骤是扩展这些ML模型，以描述与存储设备相关的其他组件，例如卵形阈值开关材料。一个长期的希望是提供一个高质量数据集和ML模型的‘工具包’，社区中的人们基本上可以现成地使用。我们目前的论文显示了与真实设备相对应的长度尺度的模拟，但另一个突出的挑战仍然是时间尺度的障碍，因此我们也在努力使ML驱动的模拟更快。”