🔬 materials science

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

Dit artikel vat de belangrijkste algoritmische vooruitgang in parallellisatie en machine learning samen die de opschaling van nauwkeurige, ab-initio Density Functional Theory gecombineerd met Non-equilibrium Green's function (DFT+NEGF) simulaties van kleine atomaire systemen naar realistische, grootschalige nanoschaalapparaten mogelijk hebben gemaakt.

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

Gepubliceerd 2026-02-04

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te begrijpen hoe elektriciteit door een minuscule, microscopische draad van silicium stroomt—zo klein dat hij slechts enkele duizenden atomen breed is. Om dit nauwkeurig te doen, gebruiken wetenschappers een complex wiskundig hulpmiddel genaamd NEGF (Non-equilibrium Green's function). Denk aan NEGF als een superprecieze weersverwachting voor elektronen: het voorspelt hoe ze bewegen, tegen elkaar botsen en hoe ze interageren met de trillingen in het materiaal.

Het draaien van deze "weersverwachtingen" voor apparaten van de echte wereld is echter geweest als het proberen te voorspellen van het weer voor de hele planeet met een rekenmachine uit de jaren '80. Het is te traag en de computers crashen.

Dit artikel van een team van de ETH Zürich beschrijft hoe zij een "superrekenmachine" hebben gebouwd om dit op te lossen, met behulp van drie trucs: betere algoritmen, massale samenwerking (parallellisatie) en kunstmatige intelligentie.

Hier is een uitsplitsing van hun werk met behulp van eenvoudige analogieën:

1. Het Problek: Een "Verkeersopstopping" van de Wiskunde

In het verleden konden wetenschappers alleen minuscule systemen simuleren (enkele atomen). Om een realistisch apparaat te simuleren (duizenden atomen), wordt de wiskunde ongelooflijk zwaar.

De Uitdaging: De vergelijkingen vereisen het oplossen van enorme puzzels waarbij elk stukje afhangt van elk ander stukje. Dit één voor één doen duurt eeuwen.
Het Doel: Ze wilden een silicium "nano-lint" (een minuscule draad) simuleren die daadwerkelijk groot genoeg is om nuttig te zijn, terwijl ze rekening houden met het feit dat elektronen tegen elkaar botsen (verstrooiing), wat lijkt op auto's in het verkeer die elkaar vertragen.

2. De Oplossing: De "Assemblagelijn" (Parallellisatie)

Om de snelheid te verhogen, heeft het team niet alleen een snellere computer gebouwd; ze hebben veranderd hoe het werk wordt gedaan.

De Analogie: Stel je een enorme bibliotheek voor waar je specifieke boeken moet vinden. In plaats van één bibliothecaris die de gangen één voor één afloopt, hebben ze 9.400 bibliothecarissen (computers) ingehuurd om tegelijkertijd te werken.
De Truc: Ze ontwikkelden een methode genaamd Serinv. Denk aan het grote wiskundige probleem als een lange, golvende lijn van blokken. In plaats van de hele lijn in één keer op te lossen, hakken ze de lijn in kleinere stukken en geven ze elk stuk aan een andere computer.
Het Resultaat: Ze testten dit op de Frontier supercomputer (een van de krachtigste ter wereld). Ze simuleerden een siliciumdraad met 25.344 atomen. Door 9.400 computer-nodes te gebruiken die samenwerkten, bereikten ze een efficiëntie van 80%. Dit betekent dat bijna alle computers druk bezig waren met werken, en niet simpelweg stonden te wachten.

3. De "Tijdreis"-truc (Algoritmen)

De wiskunde omvat twee verschillende soorten berekeningen die gegevens op een andere manier georganiseerd vereisen.

De Analogie: Stel je voor dat je een stoofpot aan het koken bent. Soms moet je eerst alle groenten snijden (een andere manier van gegevensorganisatie), en andere keren moet je de pan een lange tijd roeren (een andere manier).
De Oplossing: Het team creëerde een systeem dat gegevens direct kan "transponeren" of herorganiseren. Het is alsof je een magische keuken hebt waar de groenten zich direct herorganiseren van een snijplank naar een pan, afhankelijk van wat de chef de volgende stap nodig heeft. Dit stelt hen in staat om te schakelen tussen het oplossen van lineaire vergelijkingen en complexe energieconvoluties zonder tijd te verspillen.

4. De "Glazen Bol" (Machine Learning)

Zelfs met supercomputers is er één knelpunt: het maken van de initiële kaart van de atomen (de Hamiltoniaanse matrix) met behulp van een methode genaamd DFT (Density Functional Theory).

Het Problek: DFT is als het tekenen van een kaart van een stad door elke steen in elk gebouw te meten. Het is ongelooflijk nauwkeurig, maar kost een enorme hoeveelheid tijd en energie, vooral voor grote steden (duizenden atomen).
De Innovatie: Het team trainde een AI (specifiek een Graph Neural Network) om als een "glazen bol" te fungeren.
- Ze lieten de AI enkele voorbeelden zien van hoe atomen zich rangschikken in een specifiek type geheugencel (een Valence Change Memory of VCM).
- De AI leerde de patronen herkennen. Nu kan de AI direct de kaart voor nieuwe configuraties van de geheugencel voorspellen, in plaats van elke steen te meten (het uitvoeren van DFT).
De Kanttekening: De AI is erg snel (schaalt lineair met de grootte) en nauwkeurig genoeg om de algemene vorm goed te krijgen, maar er is nog steeds een kleine fout (ongeveer 2 meV). Het is alsof de AI een perfecte kaart van de lay-out van een stad kan tekenen, maar de straatnaambordjes er net iets naast zitten. Het is nog niet perfect genoeg om de menselijke landmeter volledig te vervangen, maar het is een enorme stap voorwaart.

5. Wat hebben ze gevonden?

De Siliciumdraad: Ze hebben succesvol een siliciumdraad gesimuleerd met elektron-elektron interacties. Ze ontdekten dat wanneer elektronen interageren, de "energiekloof" (band gap) iets groter wordt, precies zoals de natuurkunde voorspelt.
Stroombehoud: Ze bewezen dat hun simulatie werkt omdat de elektrische stroom die aan de ene kant van de draad binnenkomt, exact gelijk is aan de stroom die aan de andere kant uitgaat, zelfs met alle complexe interacties.
De AI-test: Ze gebruikten hun AI om te voorspellen hoe elektriciteit door een geheugencel stroomt. De voorspelling van de AI kwam zeer dicht in de buurt van de echte fysica, wat bewijst dat machine learning deze simulaties aanzienlijk kan versnellen.

Samenvatting

Dit artikel gaat over opschalen. Het team heeft een methode die voorheen beperkt was tot piepkleine, speelgoedachtige modellen, opgeschaald naar realistische, industriële apparaten. Dit deden ze door:

Het werk te verdelen over duizenden computers (Parallellisatie).
De gegevens te herorganiseren zodat de computers niet vastlopen (Algoritmen).
Een AI te leren om de moeilijkste delen van de wiskunde te raden, wat tijd bespaart (Machine Learning).

Ze hebben nog niet alle problemen opgelost (de AI is niet perfect en sommige simulaties zijn nog steeds te zwaar), maar ze hebben de motor gebouwd waarmee wetenschappers eindelijk realistische kwantumapparaten met hoge nauwkeurigheid kunnen simuleren.

Technische Samenvatting: Versnelling van Atomistische NEGF

Probleemstelling
De voortdurende miniaturisering van transistoren heeft ervoor gezorgd dat apparaatafmetingen in het regime zijn gekomen waar ab-initio kwantumtransport (QT) simulaties noodzakelijk zijn. Hoewel de Non-equilibrium Green's function (NEGF) formalisme in combinatie met Density Functional Theory (DFT) een rigoureus kader biedt voor het simuleren van nanoschaalapparaten, kampen huidige implementaties met aanzienlijke knelpunten. Historisch gezien waren deze simulaties beperkt tot kleine systemen (enkele atomen) of de ballistische transportlimiet. Het opnemen van complexe verstrooiingsmechanismen (elektron-fonon, elektron-elektron, elektron-foton) en het opschalen naar realistische apparaatgroottes (duizenden atomen) blijft computationeel onhaalbaar door de $O(N^3)$ schaling van DFT en de sequentiële aard van traditionele recursieve Green's function (RGF) algoritmen. Bov�ر de generatie van Hamiltonian-matrices voor grote, dynamisch evoluerende structuren (bijv. tijdens voltage sweeps) blijft eveneens een grote uitdaging.

Methodologie
De auteurs pakken deze beperkingen aan via een veelzijdige aanpak bestaande uit algoritmische optimalisatie, high-performance parallellisatie en de integratie van machine learning:

Algoritmisch Kader: De kern van de simulatie berust op het oplossen van NEGF-vergelijkingen voor de geretardeerde ( $G^R$ ) en lesser/greater ( $G^{<,>}$ ) Green's functies in aanwezigheid van verstrooiings zelf-energieën ( $\Sigma^{R, <, >}$ ). De methodologie maakt onderscheid tussen twee computationele taken:
- Lineaire Stelsels van Vergelijkingen (LSE): Het oplossen van Green's functies voor specifieke energieniveaus, die onafhankelijk zijn en geschikt zijn voor parallellisatie.
- Energieconvoluties (EC): Het berekenen van verstrooiingstermen die integratie over vele energieniveaus vereisen.
  Om geheugen en communicatie te optimaliseren, implementeren de auteurs een datatranspositie-schema. Voor LSE-taken worden gegevens opgeslagen per energieniveau ( $E, \omega$ ) over ruimtelijke indices ( $i, j$ ), terwijl voor EC-taken (gebruikmakend van Fast Fourier Transforms) de data wordt getransponeerd om meerdere energieniveaus voor specifieke ruimtelijke indices te kunnen benaderen.
Parallellisatie (Serinv): Om de sequentiële bottleneck van het standaard RGF-algoritme te overwinnen, maken de auteurs gebruik van de Serinv bibliotheek. Dit is een GPU-gebaseerd open-source pakket dat de Schur-complement methode toependt op blok tri-diagonale (BT) matrices. Het systeem wordt verdeeld over meerdere rekenunits (CPU's/GPU's), waardoor de parallelle oplossing van gereduceerde stelsels van vergelijkingen mogelijk is voordat lokale Green's function entries worden gereconstrueerd.
Integratie van Machine Learning: Om de dure $O(N^3)$ DFT-berekening voor Hamiltonian-generatie te omzeilen, verkennen de auteurs Equivariant Graph Neural Networks (EGNNs). De voorgestelde workflow behelst het trainen van een EGNN op DFT-data van een enkele apparaatconfiguratie. Eenmaal getraind, voorspelt het netwerk de Hamiltonian-matrix entries voor nieuwe configuraties (bijv. verschillende zuurstofvacature-distributies in geheugencellen) met $O(N)$ schaling, wat de simulatie van duizenden atomen mogelijk maakt.

Belangrijkste Bijdragen

QuaTrEx Pakket: De implementatie van deze modellen en algoritmen in een nieuw, open-source pakket genaamd QuaTrEx.
Schaalbare Parallelle Solver: Een demonstratie van weak scaling op de Frontier supercomputer, waarbij een 80% parallelle efficiëntie werd bereikt bij het schalen van 1 naar 9.400 nodes (75.200 GPU's) voor een silicium nano-ribbon simulatie.
Inclusie van Verstrooiing: Succesvolle simulatie van een silicium nano-ribbon (25.344 atomen) inclusief zelf-consistente elektron-elektron interacties (GW benadering), waarmee de ballistische limiet wordt overschreden.
ML-gestuurde Hamiltonian Voorspelling: Ontwikkeling van een EGNN die in staat is om Hamiltonian-matrices te voorspellen voor apparaten met duizenden atomen, getraind op een enkele configuratie om variërende fysieke toestanden te behandelen.

Resultaten

Silicium Nano-Ribbon Simulatie: De auteurs simuleerden een 52,1 nm lange silicium nano-ribbon met 25.344 atomen. De resultaten bevestigden dat het opnemen van elektron-elektron interacties (via zelf-consistente GW) de bandgap licht vergroot, wat consistent is met theoretische verwachtingen. De studie valideerde ook de behoud van stroom (current conservation) over het apparaat, ondanks variaties in de spectrale stroomverdeling langs de transportrichting.
Prestaties: De parallelle implementatie kon de volledige schaal van de Frontier supercomputer aan, wat de haalbaarheid bewijst van het simuleren van grootschalige apparaten met carrier-carrier verstrooiing.
Machine Learning Nauwkeurigheid: Voor de Valence Change Memory (VCM) cel-applicatie bereikte de EGNN een gemiddelde fout van ongeveer 2 meV in de Hamiltonian entries vergeleken met DFT. De auteurs merken echter op dat hoewel deze fout vergelijkbaar is met state-of-the-art moleculaire voorspellingen, deze momenteel niet nauwkeurig genoeg is om het gedrag van de transmissiefunctie van het apparaat volledig te reproduceren.

Betekenis en Claims
Het artikel claimt dat de combinatie van de Serinv parallellisatiestrategie en specifieke numerieke algoritmen de mogelijkheid ontsluit om apparaatgroottes en functionaliteiten te verkennen die dichter bij de experimentele realiteit liggen, inclusief relevante fysieke effecten zoals carrier-carrier verstrooiing die voorheen te computationeel duur waren.

Wat betreft machine learning presenteren de auteurs dit als een veelbelovende weg om de noodzaak van herhaalde DFT-berekeningen gedeeltelijk te elimineren, met name voor apparaten met tijd-evoluerende atomaire geometrieën. Ze blijven echter bescheiden over de huidige staat van deze technologie, waarbij ze erkennen dat hoewel de schalingsvoordelen aanzienlijk zijn ( $O(N)$ vs $O(N^3)$ ), de voorspellende nauwkeurigheid voor complexe transporteigenschappen (zoals transmissiefuncties) nog niet voldoende is voor een volledige vervanging van first-principles methoden. Het werk dient als een fundamentele stap richting de integratie van ML in ab-initio QT workflows.