一种机器学习力场开发方法技术

本发明专利技术提供了一种机器学习力场开发方法。包括：使用VASP软件进行半导体材料的第一原理分子动力学模拟，获得MD模拟的每一帧构象及其势能和原子受力信息，通过训练得到多组机器学习力场，对半导体材料的标定性质进行分子动力学模拟，获得多条模拟轨迹，计算模拟轨迹中每一帧构象的信息，比较获取构象信息偏离平均值的构象为目标构象，对目标构象进行单点能计算，将分子动力学模拟的每一帧构象信息和目标构象信息作为数据库，训练得到最终的机器学习力场。本发明专利技术通过建立多组相似的机器学习力场模型，并比较其在半导体材料分子动力学模拟构象的势能和原子受力，有效地挑选了和实际工况接近的目标构象，从而建立准确表征半导体材料的机器学习力场。的机器学习力场。的机器学习力场。

【技术实现步骤摘要】
一种机器学习力场开发方法


[0001]本专利技术涉及模拟仿真
，具体而言，涉及一种机器学习力场开发方法。

技术介绍

[0002]设计、开发优异半导体材料是提高半导体电子元器件性能的中心任务。只有开发出能够准确描述半导体材料的仿真计算模型，才能对已有的或者潜在的半导体材料进行筛选，为最终设计开发出优异的半导体电子元器件提供理论预测。
[0003]目前，实验手段可以作为理论计算的依据，但却无法深入研究半导体材料各项理化性质的动力学过程，难以给出理化性质与材料微观组织结构之间的关系。分子动力学模拟(MD)可以处理时间尺度从飞秒到纳秒，体系大小从上千原子到上百万原子的问题，是研究半导体材料各项理化性质的重要技术。然而，分子动力学模拟精确度高度依赖分子模拟的力场准确性，目前能够准确描述半导体材料的力场模型非常有限，尤其对于一些全新的半导体材料，往往没有针对的力场模型对其理化性质进行预测。

技术实现思路

[0004]本专利技术针对目前半导体材料仿真使用的分子动力学力场模型准确度差的问题，提供一种机器学习力场开发方法，以准确表征半导体材料分子动力学模拟。
[0005]本专利技术的一种机器学习力场开发方法，包括：
[0006]步骤S1：使用VASP软件进行半导体材料的第一原理分子动力学模拟，获得分子动力学模拟的每一帧构象及所述构象的信息，所述构象的信息包括势能和原子受力信息；
[0007]步骤S2：将所述构象及所述构象的信息作为数据库，通过训练得到多组机器学习力场；
[0008]步骤S3：利用多组所述机器学习力场，分别对所述半导体材料的标定性质进行分子动力学模拟，获得多条分子动力学模拟轨迹；
[0009]步骤S4：分别计算多条所述分子动力学模拟轨迹中每一帧构象的信息，比较不同所述机器学习力场下每一帧所述构象的信息，并将所述构象的信息偏离平均值的构象作为目标构象；
[0010]步骤S5：使用VASP软件对所述目标构象进行单点能计算，获取所述目标构象的信息；
[0011]步骤S6：将所述分子动力学模拟的每一帧构象信息和所述目标构象的信息作为数据库，通过训练得到最终的机器学习力场。
[0012]较佳地，所述通过训练得到多组机器学习力场包括：将所述构象作为样本，将所述构象的信息作为标签，使用Adam方法进行神经网络训练，得到多组所述机器学习力场。
[0013]较佳地，所述神经网络训练包括3个隐藏层，每个所述隐藏层包括240个节点，训练的起始学习率为0.005，结束学习率为1.0E
‑8‑
1.0E
‑7，训练批次一般取1000000。
[0014]较佳地，通过训练得到多组机器学习力场还包括：训练时采用相同的超参数和不
同的随机数，以得到多组不同的所述机器学习力场。
[0015]较佳地，所述使用VASP软件进行半导体材料的第一原理分子动力学模拟包括：使用所述VASP软件进行所述半导体材料的多个温度多个压强下的所述第一原理分子动力学模拟。
[0016]较佳地，所述第一原理分子动力学模拟的系综为NPT系综，时间步长为0.5fs，截断能为400eV。
[0017]较佳地，所述比较不同所述机器学习力场下每一帧所述构象的信息包括：
[0018]分别获取每一帧所述构象在不同所述机器学习力场下的信息的平均值；
[0019]获取每一帧所述构象在不同所述机器学习力场下的信息相对所述平均值的偏离值；
[0020]比较所述偏离值，并将所述偏离值中的最大值作为不同所述机器学习力场下每一帧所述构象的信息之间的最大偏离值。
[0021]较佳地，所述将所述构象的信息偏离平均值的构象作为目标构象包括：
[0022]比较各所述构象的所述最大偏离值，挑选所述最大偏离值最大的构象作为所述目标构象。
[0023]较佳地，所述分别对所述半导体材料的标定性质进行分子动力学模拟包括：设置初始构象、时间步长和系综，在LAMMPS软件中进行分子动力学模拟，并从所述LAMMPS软件中获取所述分子动力学模拟轨迹。
[0024]较佳地，所述使用VASP软件对所述目标构象进行单点能计算包括：设置泛函文件、迭代精度和K点，进行单点能计算，其中，所述单点能计算的截断能为400eV，K点根据所计算模型的大小选取，电子收敛精度为1E
‑3。
[0025]本专利技术相较于现有技术的优势在于：
[0026]本专利技术开发了一种可表征半导体材料理化性质的分子模拟高精度力场，其通过建立多组相似的机器学习力场模型，并比较其在半导体材料分子动力学模拟构象的势能和原子受力，并将构象的势能和原子受力信息偏离平均值的构象作为目标构象，再利用目标构象训练最终的机器学习力场，通过上述方法，有效地挑选了和实际工况接近的构象，从而建立准确表征半导体材料的机器学习力场，为深入研究半导体材料提供了理论模型和必要基础，在新型半导体材料的设计和应用方面有着明显的优势和广泛的应用前景。
附图说明
[0027]图1为本专利技术实施例中机器学习力场开发方法的流程图；
[0028]图2为本专利技术实施例的最终机器学习力场训练过程中验证集上的势能和原子受力误差随训练批次变化的曲线；
[0029]图3为本专利技术实施例的不同势函数在不同晶格常数下二氧化硅Low
‑
quartz相的结合能；
[0030]图4为本专利技术实施例中无定形二氧化硅在300K的NVT系综的分子动力学模拟中的平均径向分布函数。
具体实施方式
[0031]由于分子模拟的力场准确性直接影响着分子动力学模拟的精确度，因此开发可表征半导体材料理化性质的分子模拟高精度力场至关重要。
[0032]机器学习方法是开发分子模拟高精度力场的有效手段，可以通过第一性原理计算数据训练分子动力学模拟力场，通过训练得到的力场，一方面具有了接近第一性原理计算的精确度，另一方面，与第一性原理相比又可以处理分子动力学模拟级别的模型。所以，开发半导体材料机器学习力场可以实现精确的分子动力学模拟，从而给出更加可信的半导体材料理化性能的预测，为提高半导体电子元器件性能奠定基础。
[0033]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。
[0034]请参阅图1所示，本专利技术实施例的一种机器学习力场开发方法，包括：
[0035]步骤S1：使用VASP软件进行半导体材料的第一原理分子动力学模拟，获得分子动力学模拟的每一帧构象及所述构象的信息，所述构象的信息包括势能和原子受力信息；
[0036]步骤S2：将所述构象及所述构象的信息作为数据库，通过训练得到多组机器学习力场；
[0037]步骤S3：利用多组所述机器学习力场，分别对所述半导体材料的标定性质进行分子动力学模拟，获得多条分子动力学模拟轨迹；
[0038]步骤S4：分别计算多条所述分子动力学模拟轨迹中每一帧构象的信息，比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器学习力场开发方法，其特征在于，包括：步骤S1：使用VASP软件进行半导体材料的第一原理分子动力学模拟，获得分子动力学模拟的每一帧构象及所述构象的信息，所述构象的信息包括势能和原子受力信息；步骤S2：将所述构象及所述构象的信息作为数据库，通过训练得到多组机器学习力场；步骤S3：利用多组所述机器学习力场，分别对所述半导体材料的标定性质进行分子动力学模拟，获得多条分子动力学模拟轨迹；步骤S4：分别计算多条所述分子动力学模拟轨迹中每一帧构象的信息，比较不同所述机器学习力场下每一帧所述构象的信息，并将所述构象的信息偏离平均值的构象作为目标构象；步骤S5：使用VASP软件对所述目标构象进行单点能计算，获取所述目标构象的信息；步骤S6：将所述分子动力学模拟的每一帧构象信息和所述目标构象的信息作为数据库，通过训练得到最终的机器学习力场。2.根据权利要求1所述的机器学习力场开发方法，其特征在于，所述通过训练得到多组机器学习力场包括：将所述构象作为样本，将所述构象的信息作为标签，使用Adam方法进行神经网络训练，得到多组所述机器学习力场。3.根据权利要求2所述的机器学习力场开发方法，其特征在于，所述神经网络训练包括3个隐藏层，每个所述隐藏层包括240个节点，训练的起始学习率为0.005，结束学习率为1.0E
‑8‑
1.0E
‑7，训练批次一般取1000000。4.根据权利要求2所述的机器学习力场开发方法，其特征在于，通过训练得到多组机器学习力场还包括：训练时采用相同的超参数和不同的随机数，以得到多组不同的所述机器学习力场。5.根据权利要求1所述的机器学...

【专利技术属性】
技术研发人员：荆宇航，李兴冀，李胡阳，杨剑群，崔秀海，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：