通过直接与间接学习实现的GST相变材料计算高效机器学习模型
材料科学
2024-11-14 v1
摘要
相变材料如GeSbTe（GST）因其能在非晶相和晶相中保存二进制数据，并能在这两相间快速转换以写入/擦除信息，成为下一代非易失性固态存储器的理想候选材料。因此，利用分子建模研究GST的兴趣广泛。最近，为GST训练了一个高斯近似势（GAP），以在计算成本仅为密度泛函理论（DFT）一小部分的情况下复现DFT能量和力[Zhou等人，Nature Electronics , 746-754 (2023)]；然而，使用该GAP模型进行大长度和时间尺度的模拟仍具挑战性。本文提出了一种基于原子簇展开（ACE）框架实现的GST机器学习（ML）势。该ACE势展现出与GAP势相当的精度，但速度快数个数量级。我们既直接从DFT训练ACE势，也采用最近提出的间接学习方法，即从中间ML势（本例中为GAP）训练势。间接学习使我们能够考虑比仅用DFT生成大得多的训练集。我们比较了直接和间接学习的势，发现两者均复现了GAP预测的结构和热力学性质，也与GST结构的实验测量相符。ACE模型的速度，特别是在GPU加速下，使我们能够仅用适度的计算资源在器件尺度系统中考察晶相和非晶相间的反复转变。
引用
@article{arxiv.2411.08194,
title = {Computationally Efficient Machine-Learned Model for GST Phase Change Materials via Direct and Indirect Learning},
author = {Owen R. Dunton and Tom Arbaugh and Francis W. Starr},
journal= {arXiv preprint arXiv:2411.08194},
year = {2024}
}