🔬 materials science

Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning

Questo articolo riassume i principali progressi algoritmici nella parallelizzazione e nell'apprendimento automatico che hanno permesso la scalabilità di simulazioni accurate, ab-initio della Teoria del Funzionale della Densità combinata con la Funzione di Green fuori dall'equilibrio (DFT+NEGF) da piccoli sistemi atomici a dispositivi su scala nanometrica realistici e di grandi dimensioni.

Autori originali: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Pubblicato 2026-02-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di capire come scorre l'elettricità attraverso un filo microscopico di silicio, così piccolo da essere largo solo poche migliaia di atomi. Per farlo accuratamente, gli scienziati utilizzano uno strumento matematico complesso chiamato NEGF (Funzione di Green fuori equilibrio). Pensa al NEGF come a una previsione meteorologica super precisa per gli elettroni: prevede come si muovono, come rimbalzano tra loro e come interagiscono con le vibrazioni del materiale.

Tuttavia, eseguire queste "previsioni" per dispositivi di dimensioni reali è stato come cercare di prevedere il meteo per l'intero pianeta usando una calcolatrice degli anni '80. È troppo lento e i computer vanno in crash.

Questo articolo di un team dell'ETH di Zurigo descrive come abbiano costruito un "super-calcolatore" per risolvere il problema, utilizzando tre trucchi principali: migliori algoritmi, un lavoro di squadra massiccio (parallelizzazione) e l'intelligenza artificiale.

Ecco una ripartizione del loro lavoro utilizzando analogie semplici:

1. Il Problema: Il "Ingorgo" della Matematica

In passato, gli scienziati potevano simulare solo sistemi minuscoli (pochi atomi). Per simulare un dispositivo realistico (migliaia di atomi), la matematica diventa incredibilmente pesante.

La Sfida: Le equazioni richiedono la risoluzione di enormi puzzle in cui ogni pezzo dipende da tutti gli altri. Risolvere tutto questo uno alla volta richiede un tempo infinito.
L'Obiettivo: Volevano simulare un "nano-nastro" di silicio (un filo minuscolo) che sia effettivamente abbastanza grande da essere utile, tenendo conto anche del fatto che gli elettroni si scontrano tra loro (scattering), il che è come auto nel traffico che rallentano l'una l'altra.

2. La Soluzione: La "Catena di Montaggio" (Parallelizzazione)

Per velocizzare le cose, il team non si è limitato a costruire un computer più veloce; ha cambiato il modo in cui il lavoro viene svolto.

L'Analogia: Immagina una biblioteca enorme dove devi trovare libri specifici. Invece di avere un solo bibliotecario che percorre i corridoi uno alla volta, hanno assunto 9.400 bibliotecari (computer) per lavorare contemporaneamente.
Il Trucco: Hanno sviluppato un metodo chiamato Serinv. Pensa al gigantesco problema matematico come a una lunga linea ondulata di blocchi. Invece di cercare di risolvere l'intera linea in una volta sola, l'hanno frammentata in pezzi più piccoli e ha dato ogni pezzo a un computer diverso.
Il Risultato: Hanno testato questo sistema sul supercomputer Frontier (uno dei più potenti al mondo). Hanno simulato un filo di silicio con 25.344 atomi. Utilizzando 9.400 nodi di calcolo che lavorano insieme, hanno raggiunto un'efficienza dell'80%. Ciò significa che quasi tutti i computer erano occupati a lavorare, non stavano solo aspettando.

3. Il Trucco del "Viaggio nel Tempo" (Algoritmi)

La matematica prevede due tipi diversi di calcoli che richiedono l'organizzazione dei dati in modi differenti.

L'Analogia: Immagina di cucinare uno stufato. A volte devi prima tagliare tutte le verdure (un modo di organizzare i dati), altre volte devi mescolare la pentola per molto tempo (un altro modo).
La Soluzione: Il team ha creato un sistema in grado di "trasporre" o riorganizzare istantaneamente i dati. È come avere una cucina magica dove le verdure si riorganizzano istantaneamente dal tagliere alla pentola a seconda di ciò di cui lo chef ha bisogno subito dopo. Questo permette di passare dalla risoluzione di equazioni lineari alle convoluzioni di energia complesse senza perdere tempo.

4. La "Palla di Cristallo" (Machine Learning)

Anche con computer super veloci, esiste un collo di bottiglia: la creazione della mappa iniziale degli atomi (la matrice Hamiltoniana) utilizzando un metodo chiamato DFT (Teoria del Funzionale della Densità).

Il Problema: La DFT è come disegnare la mappa di una città misurando ogni singolo mattone in ogni edificio. È incredibilmente accurata ma richiede un tempo e un'energia enormi, specialmente per grandi città (migliaia di atomi).
L'Innovazione: Il team ha addestrato un'IA (specificamente una Rete Neurale a Grafo) per agire come una "palla di cristallo".
- Hanno mostrato all'IA alcuni esempi di come gli atomi si dispongono in un tipo specifico di cella di memoria (chiamata Valence Change Memory o VCM).
- L'IA ha imparato i pattern. Ora, invece di misurare ogni singolo mattone (eseguendo la DFT), l'IA può prevedere istantaneamente la mappa per nuove configurazioni della cella di memoria.
Il Limite: L'IA è molto veloce (scala linearmente con la dimensione) ed è abbastanza accurata da ottenere la forma generale, ma presenta ancora un piccolo errore (circa 2 meV). È come se l'IA potesse disegnare una mappa perfetta della disposizione di una città, ma i cartelli stradali potessero essere leggermente fuori posto. Non è ancora abbastanza perfetta da sostituire interamente il topografo umano, ma è un passo avanti enorme.

5. I Risultati: Cosa hanno scoperto?

Il Filo di Silicio: Hanno simulato con successo un filo di silicio con interazioni elettrone-elettrone. Hanno scoperto che quando gli elettroni interagiscono, il "gap" di energia (band gap) aumenta leggermente, proprio come predice la fisica.
Conservazione della Corrente: Hanno dimostrato che la loro simulazione funziona perché la corrente elettrica che entra da un lato del filo è esattamente la stessa che esce dall'altro, nonostante tutte le complesse interazioni.
Il Test dell'IA: Hanno utilizzato la loro IA per prevedere come scorre l'elettricità attraverso una cella di memoria. La previsione dell'IA è stata molto vicina alla fisica reale, dimostrando che il machine learning può velocizzare significativamente queste simulazioni.

Riassunto

Questo articolo riguarda la scalabilità. Il team ha preso un metodo che era precedentemente limitato a modelli minuscoli e giocattolo e lo ha scalato fino a dispositivi di dimensioni industriali e realistiche. Ci sono riusciti:

Dividendo il lavoro tra migliaia di computer (Parallelizzazione).
Riorganizzando i dati affinché i computer non rimangano bloccati (Algoritmi).
Insegnando a un'IA a indovinare le parti più difficili della matematica, risparmiando tempo (Machine Learning).

Non hanno ancora risolto ogni problema (l'IA non è perfetta e alcune simulazioni sono ancora troppo pesanti), ma hanno costruito il motore che permette agli scienziati di simulare finalmente dispositivi quantistici realistici con alta precisione.

Sintesi Tecnica: Accelerazione del calcolo atomistico NEGF

Definizione del Problema
La continua miniaturizzazione dei transistor ha portato le dimensioni dei dispositivi in un regime in cui sono necessarie simulazioni di trasporto quantistico (QT) ab-initio. Sebbene il formalismo delle funzioni di Green fuori dall'equilibrio (NEGF), combinato con la Teoria del Funzionale della Densità (DFT), offra un quadro rigoroso per simulare dispositivi su scala nanometrica, le attuali implementazioni affrontano colli di bottiglia significativi. Storicamente, queste simulazioni sono state limitate a sistemi piccoli (pochi atomi) o al limite del trasporto balistico. L'inclusione di complessi meccanismi di scattering (elettrone-fonone, elettrone-elettrone, elettrone-fotone) e la scalabilità verso dimensioni di dispositivi realistiche (migliaia di atomi) rimangono computazionalmente proibitive a causa della scalabilità $O(N^3)$ della DFT e della natura sequenziale dei tradizionali algoritmi di funzione di Green ricorsiva (RGF). Inoltre, la generazione di matrici Hamiltoniane per strutture ampie e dinamicamente evolventi (ad esempio, durante le scansioni di tensione) rimane una sfida importante.

Metodologia
Gli autori affrontano queste limitazioni attraverso un approccio multifasico che coinvolge l'ottimizzazione algoritmica, la parallelizzazione ad alte prestazioni e l'integrazione del machine learning:

Framework Algoritmico: Il nucleo della simulazione si basa sulla risoluzione delle equazioni NEGF per le funzioni di Green ritardate ( $G^R$ ) e lesser/greater ( $G^{<,>}$ ) in presenza di auto-energie di scattering ( $\Sigma^{R, <, >}$ ). La metodologia distingue tra due compiti computazionali:
- Sistemi di Equazioni Lineari (LSE): Risoluzione delle funzioni di Green per specifici punti di energia, che sono indipendenti e adatti alla parallelizzazione.
- Convoluzioni di Energia (EC): Calcolo dei termini di scattering che richiedono l'integrazione su molti punti di energia.
  Per ottimizzare memoria e comunicazione, gli autori implementano uno schema di trasposizione dei dati. Per i compiti LSE, i dati sono memorizzati per punto di energia ( $E, \omega$ ) attraverso gli indici spaziali ( $i, j$ ), mentre per i compiti EC (utilizzando le Trasformate Rapide di Fourier), i dati vengono trasposti per accedere a molteplici punti di energia per specifici indici spaziali.
Parallelizzazione (Serinv): Per superare il collo di bottiglia sequenziale dello standard algoritmo RGF, gli autori utilizzano la libreria Serinv. Questo pacchetto open-source basato su GPU impiega il metodo del complemento di Schur su matrici tri-diagonali a blocchi (BT). Il sistema è partizionato su più unità di calcolo (CPU/GPU), consentendo la risoluzione parallela di sistemi di equazioni ridotti prima di ricostruire le voci locali della funzione di Green.
Integrazione del Machine Learning: Per aggirare l'oneroso calcolo DFT $O(N^3)$ per la generazione dell'Hamiltoniana, gli autori esplorano le Reti Neurali a Grafo Equivarianti (EGNN). Il workflow proposto prevede l'addestramento di una EGNN su dati DFT da una singola configurazione di dispositivo. Una volta addestrata, la rete predice le voci della matrice Hamiltoniana per nuove configurazioni (ad esempio, diverse distribuzioni di vacanze di ossigeno nelle celle di memoria) con scalabilità $O(N)$ , consentendo la simulazione di migliaia di atomi.

Contributi Chiave

Pacchetto QuaTrEx: L'implementazione di questi modelli e algoritmi in un nuovo pacchetto open-source denominato QuaTrEx.
Solver Parallelo Scalabile: Una dimostrazione di weak scaling sul supercomputer Frontier, che raggiunge un'efficienza parallela dell'80% scalando da 1 a 9.400 nodi (75.200 GPU) per una simulazione di un nanonastro di silicio.
Inclusione dello Scattering: Simulazione riuscita di un nanonastro di silicio (25.344 atomi) includendo interazioni elettrone-elettrone auto-consistenti (approssimazione GW), andando oltre il limite balistico.
Predizione dell'Hamiltoniana tramite ML: Sviluppo di una EGNN capace di predire matrici Hamiltoniane per dispositivi con migliaia di atomi, addestrata su una singola configurazione per gestire variabili stati fisici.

Risultati

Simulazione del Nanonastro di Silicio: Gli autori hanno simulato un nanonastro di silicio lungo 52,1 nm con 25.344 atomi. I risultati hanno confermato che l'inclusione delle interazioni elettrone-elettrone (tramite GW auto-consistente) aumenta leggermente il band gap, in linea con le aspettative teoriche. Lo studio ha inoltre validato la conservazione della corrente attraverso il dispositivo nonostante le variazioni della distribuzione della corrente spettrale lungo la direzione di trasporto.
Prestazioni: L'implementazione parallela ha gestito con successo l'intera scala del supercomputer Frontier, dimostrando la fattibilità della simulazione di grandi dispositivi con scattering carrier-carrier.
Accuratezza del Machine Learning: Per l'applicazione alle celle di Memoria a Cambiamento di Valenza (VCM), la EGNN ha raggiunto un errore medio di circa 2 meV nelle voci dell'Hamiltoniana rispetto alla DFT. Tuttavia, gli autori osservano che, sebbene questo errore sia paragonabile alle previsioni molecolari allo stato dell'arte, non è attualmente abbastanza accurato per riprodurre completamente il comportamento della funzione di trasmissione del dispositivo.

Significatività e Rivendicazioni
L'articolo sostiene che la combinazione della strategia di parallelizzazione Serinv e degli algoritmi numerici dedicati sblocca la capacità di esplorare dimensioni di dispositivi e funzionalità più vicine alla realtà sperimentale, inclusi effetti fisici rilevanti come lo scattering carrier-carrier, precedentemente troppo costosi dal punto di vista computazionale.

Riguardo al machine learning, gli autori lo presentano come una via promettente per eliminare parzialmente la necessità di ripetuti calcoli DFT, in particolare per dispositivi con geometrie atomiche in evoluzione temporale. Tuttavia, mantengono un approccio modesto sullo stato attuale di questa tecnologia, riconoscendo che, sebbene i benefici di scalabilità siano significativi ( $O(N)$ rispetto a $O(N^3)$ ), l'accuratezza predittiva per proprietà di trasporto complesse (come le funzioni di trasmissione) non è ancora sufficiente per una sostituzione completa dei metodi basati sui primi principi. Il lavoro funge da passo fondamentale verso l'integrazione del ML nei workflow di QT ab-initio.