计算机模拟可以极大地促进新的有前途的技术应用材料的研究。其中包括所谓的相变材料(PCM)，即在熔化和凝固时释放或吸收热能的物质，它们对于存储组件的开发很有希望。
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，帮助用户更好地理解基于PCM的设备中展开的过程。
“我们的论文描述了一种用于对PCM进行建模的计算机模拟方法，该方法用于数字数据存储和处理，”进行这项研究的研究人员之一VolkerDeringer告诉TechXplore。“这种类型的模拟称为‘分子动力学’(MD)，通常用于描述大约几百个原子，而这些小规模模拟在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能够在实际设备操作条件下对存储设备内超过50万个原子进行建模的技术。
支持机器学习模型的计算是由牛津德林格研究实验室的最后一年博士生周宇星完成的。在完成硕士学位期间，周与魏在西安交通大学密切合作，他在进行这项研究时也是如此。
“我们并不是第一个描述PCM的ML潜力的作者——事实上，PCM已经成为一类流行的神经网络潜力的早期应用案例之一，意大利MarcoBernasconi小组的基础论文已经发表已经是十多年前了，”德林格解释道。“英国同事也对三元旗舰化合物Ge2Sb2Te5进行了描述。”
与过去研究中引入的其他模型相比，Zhou、Deringer及其合作者开发的机器学习模型是针对更多样化的化合物集进行训练的，特别是GeTe和Sb2Te3之间的所有所谓的准二元线。因此，他们的模型描述了各种各样的材料，这些材料可能会引起研究相变材料的研究人员的兴趣。
Deringer说：“这项工作提供了重要的概念证明，即在全器件规模上进行新型模拟现在可以用于相变存储器。”“它展示了机器学习潜力在各种日益具有挑战性的场景中的应用：多个晶粒(即‘数字晶粒’)的生长、所谓的大电池的非等温加热，以及应用的示例电场——所有这些要点都与充分理解基于PCM的设备的‘真实世界’操作有关。”
研究人员在他们编译的新数据集上训练他们的模型，其中包括标记的量子力学数据。在开发了模型的初始版本后，他们逐渐开始为其提供数据。
“这个迭代过程的结果是基于机器学习的原子间势——这些类型的势在几年前曾经是非常专业的工具，但现在已经得到了更广泛的应用，”德林格说。“本文的一个关键进展是开发了为机器学习模型‘提供’数据的数据集，该模型经过精心构建，可以表示相变材料结晶和生长过程中原子尺度的结构变化等。”
在最初的测试中，该研究团队创建的模型被证明非常有前途，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。
“我们非常谨慎地验证该模型(这对于机器学习的潜力尤其重要)，我们鼓励其他人也尝试一下——参数文件和其他数据向社区公开提供，”Deringer说。“我希望这项工作将有助于进一步加强理论和模拟在相变材料研究领域的重要作用，并最终有助于创建越来越多的这些材料和基于它们的设备的真实模型。”
Zhou、Deringer及其同事使用的数据集和参数文件是开源的，可以在Zenodo上访问，因此其他团队很快就可以使用它们来训练他们的机器学习技术。未来，他们的模型可能对全世界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。
“下一步的一个关键步骤是扩展这些机器学习模型，以描述与存储设备相关的其他组件，例如ovonic阈值切换材料，”Deringer补充道。“长期的希望是提供一个包含高质量数据集和机器学习模型的‘工具包’，社区中的人们基本上可以使用现成的。我们当前的论文展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障碍，因此我们也在努力使我们的ML驱动的模拟更快。”