第2回: シリコンにフェムト秒レーザーで穴を開ける——GPUシミュレーション“予習編”

要約：本番の「Si 薄膜 × フェムト秒レーザー」分子動力学を成功させるため、まず Quantum ESPRESSO で基礎データを収集しました。A100 80GB ×4 機での実測時間を整理し、どのケースが穴あけシミュレーションの何を支えるのかをストーリー仕立てで説明します。さらに、H200 NVL に置き換えた場合の時間短縮効果も展望します。

TL;DR：液体化と空孔形成が最重量級。A100×4 で 1 ステップ 70–95 秒、総時間は 2.8–3.7 時間級。Bulk/Strain は 1 ステップ 2–3 秒台で網羅向き。H200 NVL×4 なら概ね 1.7–2.3×（推定）短縮、8GPU でさらに半減レンジ。

なぜ“予習”が必要か：ケースの役割を物語で理解

① Bulk（バルク）＝「健康診断」

シリコン結晶の標準状態を決めます。これがないと、レーザー照射後の「異常」を正しく比較できません。

② Strain（ひずみ）＝「耐久テスト」

引張・圧縮で材料の応力–歪み特性を把握。レーザーによる瞬間的な膨張・収縮を理解する基盤となります。

③ Liquid（液体化）＝「氷が解ける瞬間の再現」

レーザー直下では Si が溶融します。液体状態を正しく記述できなければ、溶け拡がりや再凝固の描像は成立しません。計算負荷は最重量級。

④ Void（空孔）＝「割れ目のタネ」

欠陥や空孔は、穴あけの起点になります。局所的な応力集中や熱流入を理解するために必須です。

A100×4 実測まとめ（WALL 時間）

総時間ランキング

1ステップあたり時間ランキング

【予告編】GPU で拓く未来のシミュレーション —— シリコン薄膜 × フェムト秒レーザー

要約：これまで困難だった「シリコン薄膜にフェムト秒レーザーを照射し、原子レベルで穴が形成される過程」を、DeepMD + LAMMPS + GPUサーバーという最新スタックで再現する試みが始まりました。この記事は本編シリーズの予告編です。

TL;DR：「現実には絶対に観測できない瞬間」を GPU によるシミュレーションで可視化。その迫力と実用価値をお届けします。

1. 誰も見たことのない現象を映像化する

シリコン薄膜にフェムト秒レーザーを照射すると、わずか数百フェムト秒の間に原子が弾き飛ばされ、穴が形成されます。
これまでの理論や実験では「起きる」ことは分かっても、その ダイナミクス を再現するのはほぼ不可能でした。

しかし今、GPU を活用した新しいアプローチで、その瞬間を映像化できるようになったのです。

2. これまでの壁 —— なぜ不可能だったのか？

• 第一原理分子動力学（DFT-MD）はサイズ・時間スケールの制約が大きすぎた
• 古典ポテンシャル（Tersoff 等）はレーザー誘起の非平衡現象を正しく記述できなかった

結果として「穴が空くシーン」を原子スケールで追いかけることは夢物語でした。

3. DeepMD が開いた突破口

Deep Potential Molecular Dynamics (DeepMD) は、第一原理計算（Quantum ESPRESSO）で生成したデータをディープラーニングで学習し、現実的な時間・サイズでの分子動力学を可能にします。

これにより、従来の 1,000 ステップ級の制約を超え、数百万ステップにわたるシミュレーションを GPU で実行できるようになりました。

4. 実用的価値とインパクト

• 半導体加工：EUV を超える次世代微細加工の理解
• 光応答材料：耐レーザー性や新規設計への応用
• 教育・可視化：研究室や展示で「原子の世界」を直感的に伝えられる

つまり「派手で人目を引く」だけでなく、「研究・産業的に意味がある」テーマなのです。

5. GPU サーバーの役割

今回の挑戦は A100 80GB ×4GPU サーバーを用いて進めています。
本編記事では、ここで得られた計算時間を基準に、H200 NVL 4GPU / 8GPU

第1回・入門編：Quantum ESPRESSO で何を計算すれば「シリコン薄膜 × フェムト秒レーザー」を再現できるのか？

要約：この記事では、シリコン薄膜にフェムト秒レーザーを照射して穴を開けるシミュレーションを行うために、Quantum ESPRESSO（QE）で必要となる計算の種類と役割を整理します。「なぜこの計算が必要か」を理解することで、後続の DeepMD 学習や LAMMPS 実行の意味がつながります。

TL;DR：基礎構造 → 表面 → 欠陥 → 高温挙動。この順で QE のデータを揃えれば、レーザー照射のダイナミクスを DeepMD で学習し、LAMMPS によって原子レベルでの「穴あき」を再現できます。

目次

1. バルク計算（シリコン結晶の基準点）
2. 薄膜（スラブ）計算
3. 欠陥・空孔計算
4. 液体相（高温シリコン）計算
5. 歪み（strain）計算
6. これらがどう役立つか（DeepMD 学習との関係）

1. バルク計算 —— シリコンの「教科書的」基準

最初に必要なのは シリコン結晶（ダイヤモンド構造）のバルク計算です。
ここで得られる格子定数・エネルギー・力は 全ての基準点になります。
たとえば、レーザーで加熱する前の「健全なシリコン」の姿を定義する役割です。

2. 薄膜（スラブ）計算 —— 表面を作る

次に 薄膜（スラブ）構造を計算します。
レーザー照射は基本的に「表面現象」なので、周期境界の中にシリコン薄膜＋真空層をつくり、表面の安定性や原子の動きやすさを評価します。

ここがなければ「穴が開く場所そのもの」がモデル化できません。

3. 欠陥・空孔計算 —— 穴のタネを仕込む

レーザーが当たった瞬間にすぐ原子が飛び出すわけではなく、欠陥や空孔が拡大していくことで穴が成長します。
そこで、シリコン結晶や薄膜に原子を抜いた状態を作り、「欠けたときの力学応答」を QE で計算しておきます。

4. 液体相（高温シリコン）計算 —— 溶ける過程

レーザーで数千 K に加熱されたシリコンは 一瞬で液体化します。
そのため、液体状態のシリコンを QE で分子動力学（MD）しておくことが重要です。
これにより「固体から液体へ移行する原子の動き」を学習データに反映できます。

5. 歪み（strain）計算 —— 引き延ばし・圧縮の効果

最後に strain（引張・圧縮）を加えた構造

フェムト秒レーザーとは何か――シリコン薄膜に穴を開ける最先端技術

要約：フェムト秒レーザーは「1フェムト秒＝10^-15秒」という極短パルスの光を発する特殊なレーザーです。この超高速パルスにより、物質の熱拡散を抑えながら原子・分子レベルで精密加工が可能になります。従来のレーザーでは困難だった「シリコン薄膜に微細な穴を開ける」シナリオが現実の技術応用として見えてきました。

TL;DR：フェムト秒レーザーは「熱で溶かす」前に加工が終わる。だからシリコン薄膜にナノスケールの穴を正確に開けられる。

1. フェムト秒レーザーとは？

フェムト秒レーザーは極めて短い時間幅の光パルスを照射するレーザーで、代表的には「チタンサファイアレーザー」などが使われます。その特徴は：

• パルス幅が極端に短い：10^-15秒単位
• 高ピーク強度：瞬間的に巨大なエネルギーを物質表面に集中
• 熱拡散を抑制：熱が広がる前に加工が完了するため、周辺に損傷を与えにくい

2. なぜシリコン薄膜に穴を開けるのにフェムト秒レーザーを使うのか

従来のナノ加工手法（ナノインプリントや電子線加工）には以下の課題がありました：

• 加工速度が遅い
• 熱による変形・欠陥が避けられない
• 大面積加工への展開が難しい

フェムト秒レーザーはこれを克服します。

• 熱影響が極小 → 周囲の結晶を壊さず穴を開けられる
• 高い再現性 → 同じ条件なら同じサイズの穴が形成可能
• 高スループット → レーザーパルスをアレイ化すれば大面積加工も視野に

3. 実用的価値：どんな応用があるのか

• 半導体微細加工：次世代トランジスタや光学デバイスの作製
• フォトニクス：シリコンフォトニクス用のナノホールアレイ形成
• バイオ応用：センサー基板やDNAチップへの加工

つまり「現実には目で見られない微細な加工」を可能にすることが、フェムト秒レーザーの実用的価値です。

4. シミュレーションでの挑戦とGPUの役割

ただし、このプロセスを「原子レベル」でシミュレーションするのは極めて難しい課題でした。従来の分子動力学や第一原理計算では計算コストが膨大で、ナノ秒スケールすら現実的に扱えませんでした。

ここで登場するのが DeepMD（機械学習ポテンシャル） と GPU サーバーです。Quantum ESPRESSO で生成したデータを DeepMD で学習し、LAMMPS

CPU で材料計算を回しているなら——いまが GPU への乗り換え時。A100 実測を踏まえた H200 NVL 141GB（PCIe）導入ガイド

要約：量子化学・固体計算を CPU で回している研究室では 1 本の SCF にも何十分もかかるのが日常です。この記事では Quantum ESPRESSO（QE）GPU 版を A100 80GB ×4 機で実測し、最短 47.35 秒を確認しました。比較用に CPU 64 MPI では 10分58.33秒（658.33 秒）で、約 13.9× 高速化です。さらに H200 NVL 141GB（PCIe）×4 なら、HBM 帯域と容量の伸びから おおむね 1.7〜2.3×（推定）短縮が期待できます。つまり「分」単位の計算が「十数秒」へ。

TL;DR：CPU 64MPI ≈ 10分58秒 → A100×4 ≈ 47秒（13.9×）。H200×4（推定）で 20〜30 秒台のレンジ。

目次

1. なぜ今 GPU なのか（Gaussian ユーザーにも刺さる話）
2. テスト環境（読者マシン比較用スペック表）
3. ベンチマーク条件（QE / Au 表面「DEISA pw」）
4. 結果：CPU vs GPU の実測比較と 1 / 2 / 4 GPU スケール
5. H200 NVL 141GB ×4 はどこまで短縮できるか（推定）
6. Gaussian ユーザーへの現実的な移行ライン
7. 再現方法とスクリプト
8. どの構成を選ぶか：1 / 2 / 4 GPU の目安

1. なぜ今 GPU なのか（Gaussian ユーザーにも刺さる話）

Gaussian を長年お使いの方ほど CPU を積み増すことで凌いできましたが、表面・周期境界系では FFT/BLAS とメモリ帯域がボトルネックになりがちです。QE（平面波・擬ポテンシャル）はここを GPU に逃がせます。FFT、ハミルトニアン作用、密度生成など重い箇所を GPU に載せ、PCIe/NVLink の転送を抑える実装が成熟。結果として、A100×4 実測で「分」が「秒」になりました。

2. テスト環境（読者マシン比較用スペック表）