2025年9月30日，《自然·通讯》（Nature Communications 2025, 16, 8688）发表了题为“相变存储材料量专用原子簇扩展机器学习势函数及其全周期器件尺度模拟”（Full-cycle device-scale simulations of memory materials with a tailored atomic-cluster-expansion potential）的研究论文。该研究在器件尺度原子级模拟领域取得了重要进展，为研究和设计下一代相变存储技术与类脑计算芯片提供了重要的理论工具。

  商用相变存储器利用锗锑碲合金非晶相（低电导，逻辑态“0”）与晶体相（高电导，逻辑态“1”）之间的电阻差异实现数据存储。如何进一步优化器件结构与相变单元体积是相变存储芯片技术更新迭代的关键。以英特尔的“傲腾”芯片为例，其相变存储芯片单元的特征尺寸为20 nm * 20 nm * 40 nm，含超53万原子，远超第一性原理分子动力学的模拟极限。模拟存储单元在纳秒级时间尺度和百万原子级空间尺度下完整读写循环一直以来都难以实现。

  为攻克这一难题，西安交通大学金属材料强度全国重点实验室材料创新设计中心（CAID）与牛津大学研究人员开展合作，开发了一种基于“原子簇扩展”（Atomic Cluster Expansion, ACE）框架的超快机器学习势函数。该工作建立在团队前期开发的GST-GAP机器学习势函数的基础之上（Nature Electronics 2023, 6, 746–754），通过引入ACE框架和额外的领域特定数据集迭代流程，使得新的GST-ACE势函数在不损失原子受力与运动精度的前提下，将模拟效率进一步提升，达到GST-GAP的400多倍，可支撑百万原子纳秒级或十亿原子皮秒级的分子动力学模拟。

图1 GST-ACE机器学习势函数框架与计算效率

图2 相变存储材料全周期器件尺度模拟

该工作的第一作者为牛津大学周宇星博士，通讯作者为西安交通大学张伟教授和牛津大学Volker L. Deringer教授，合作者包括Daniel F. Thomas du Toit博士和Stephen R. Elliott教授。该工作的所有数据均已开源。

论文链接：

https://www.nature.com/articles/s41467-025-63732-4

机器学习势函数和模拟数据：

https://zenodo.org/records/14755074