从新版本开始，QuantumATK 支持 Moment Tensor Potential（MTP）力场，可以用各种情形的结构优化、分子动力学等。QuantumATK提供直观易用的 MTP 力场训练、验证和使用模块，方便研究者构建针对自己研究体系的力场参数集。

机器学习力场（ML-FFs）可以进行接近从头算精度的模拟，但是模拟体系的尺寸和动态模拟时间尺度则大大超过了从头算，更接近真实情况。使用 QuantumATK 中的机器学习力场功能可以生成新颖的晶体和非晶材料、合金、界面和多层堆叠的真实的复杂结构，模拟热性能和机械性能、扩散和表面过程。用户可以自动化、高效的训练和仿真工作流程开发新的机器学习力场。

• 机器学习力场：模拟真实体系
• 机器学习力场ML-MTPs与流程自动化
• Synopsys官方介绍

基于机器学习的 Moment Tensor Potential（ML-MTPs）使用一组从头算的数据集进行模型训练，得到的力场参数可以用于模拟复杂的、多元素的晶体、非晶、液晶、界面、缺陷和掺杂等实际体系，计算精度接近从头算，计算速度却可以比从头算快数百到上千倍。

• 如何训练MTP机器学习力场
• 使用主动学习创建用于HfO2的力场

QuantumATK中包含了一些预先训练好的MTP力场，并用于以下复杂结构的建模实例中：

• MRAM多层建模工具
• HKMG多层建模工具

• 用于复杂体系的机器学习力场
• 用于二维材料模拟的机器学习力场

• 利用机器学习原子间势实现单层MoS2–WS2合金的热性能模拟
• 使用机器学习势探索金属硫族界面的互扩散
• 滑移顺电特性：过渡金属二硫族化合物双层
• 机器学习力场与量子输运计算结合研究阻变存储器单元器件

各版本更新内容参见：

• QuantumATK U-2022.12 新版发布
• QuantumATK T-2022.03 新版发布
• QuantumATK S-2021.06 新版发布