Importance of Electronic Entropy for Machine Learning Interatomic Potentials

1. بيان المشكلة

أحدثت جهود تعلم الآلة لإمكانات الذرات التفاعلية (MLIPs) ثورة في المحاكاة الذرية واسعة النطاق، لكنها تواجه قيداً حرجاً عند تطبيقها على المواد ذات التكافؤ المختلط (مثل كاثودات البطاريات).

• المشكلة الجوهرية: تعتمد نماذج MLIPs التقليدية على تمثيلات مدخلة تستند فقط إلى الإحداثيات الذرية والأنواع الكيميائية. وهي تفتقر إلى أوصاف صريحة لدرجات الحرية الإلكترونية (حالات الشحن).
• النتيجة: في أنظمة مثل مادة كاثود البطارية NaFePO4، حيث يوجد الحديد (Fe) في حالات أكسدة متعددة ($Fe^{2+}$ و $Fe^{3+}$) اعتماداً على تركيز الصوديوم (Na)، تفشل نماذج MLPIs القياسية في التمييز بين حالات الشحن هذه أثناء التحسين الهيكلي.
• الأثر: يؤدي هذا إلى تعيينات خاطئة لترتيب الشحنات، مما ينتج عنه تنبؤات طاقية خاطئة، والفشل في تحديد الهياكل الصحيحة للحالة الأرضية، وخرائط غير دقيقة لمخططات الغلاف المحدب (Convex-hull diagrams) (خرائط الاستقرار الديناميكي الحراري). تتجاهل هذه النماذج فعلياً الإنتروبيا الإلكترونية — وهي المساهمة الطاقية الناشئة عن الترتيبات المكانية المختلفة لأيونات $Fe^{2+}$ و $Fe^{3+}$.

2. المنهجية

استقصى المؤلفون هذه القيود باستخدام NaFePO4 كنظام مرجعي، وذلك عبر نهج متعدد الخطوات:

أ. اختبار النماذج التقليدية (Benchmarking)

• النماذج المختبرة: CHGNet، وcPaiNN، وMACE.
• البروتوكول:
  1. استخدموا خوارزمية جينية (GA) مدفوعة بنماذج MLIPs لأخذ عينات من التكوينات منخفضة الطاقة لـ NaFePO4 عند تركيز صوديوم بنسبة 66% ($Na_{0.66}FePO_4$).
  2. تم اختيار أقل 10 هياكل طاقة في النماذج المختبرة، بالإضافة إلى الطور أحادي الميل (monoclinic phase) المثبت تجريبياً.
  3. أجروا عمليات تحسين باستخدام نظرية وظيفية الكثافة (DFT) على هذه الهياكل لتحديد الترتيب الطاقي "الحقيقي" (Ground truth).
  4. حللوا العزوم المغناطيسية (كمؤشر لحالة الشحن: $Fe^{2+} \approx 4\mu_B$، و $Fe^{3+} \approx 5\mu_B$) لتتبع كيفية تطور حالات الأكسدة أثناء عملية التحسين.

ب. تشخيص الفشل

• تحليل DFT: أظهرت حسابات DFT أن حالات الشحن تتحدد بشكل كبير في المراحل المبكرة من عملية التحسين. يؤدي الترتيب الأولي الخاطئ للشحنات إلى عقوبات طاقية كبيرة (تأثيرات الإنتروبيا الإلكترونية).
• تحليل MLIP: وجدت الدراسة أنه خلال التحسين الهيكلي، فشلت نماذج MLIP التقليدية في حل التمييز بين $Fe^{2+}$ و $Fe^{3+}$، وغالباً ما كانت تخصص جميع ذرات الحديد لنفس حالة الشحن (عادةً $Fe^{2+}$). تسبب هذا الغموض في جعل النماذج تتقارب نحو نهايات صغرى محلية ذات بيئات كيميائية خاطئة.
• اختبار النقطة الواحدة (Single-Point Test): عندما تم تزويد نماذج MLIP بهياكل محسنة بالفعل بواسطة DFT (حيث تم إنشاء بيئة الشحن الصحيحة)، استطاعت النماذج التنبؤ بالعزوم المغناطيسية بشكل صحيح. أثبت هذا أن النماذج يمكنها التعرف على حالات الشحن إذا كانت البيئة المحلية صحيحة، لكنها تفشل في إرساء ترتيب الشحن الصحيح أثناء عملية التحسين نفسها.

ج. الحل المقترح: تضمين الإنتروبيا الإلكترونية

لمعالجة ذلك، قدم المؤلفون طريقة لـ ترميز معلومات حالة الشحن صراحة في تمثيلات MLIP:

1. تصفية البيانات: تم تحديد مواقع $Fe^{3+}$ في مجموعة بيانات التدريب باستخدام العزوم المغناطيسية واستبدالها بالغاليوم (Ga) لفرض ترتيب شحن محدد خلال خطوات DFT الأولية (وهي تقنية من المرجع [30]).
2. استراتيجية التضمين (Embedding Strategy): أثناء تدريب النموذج، تم تخصيص تضمينات (Embeddings) متميزة لذرات $Fe^{2+}$ و $Fe^{3+}$. وهذا يجبر الشبكة العصبية على معاملة هذه الأنواع ككيانات متميزة كيميائياً وليس مجرد "Fe".
3. إعادة التدريب: تمت إعادة تدريب CHGNet وcPaiNN وMACE باستخدام مجموعة البيانات التي تم حل شحناتها.

3. النتائج الرئيسية

أ. التحسين الهيكلي والترتيب الطاقي

• قبل التضمين: لم تنجح أي من نماذج MLIP القياسية في تحديد الهيكل المثبت تجريبياً كأقل تكوين طاقة. كان الترتيب الطاقي للهياكل المرشحة منحرفاً بشكل كبير عن نتائج DFT.
• بعد التضمين: نجحت النماذج المعاد تدريبها (مع الإنتروبيا الإلكترونية المضمنة) في:
  • تحديد الهيكل المثبت تجريبياً كأدنى طاقة عالمية (Global minimum).
  • إعادة إنتاج الترتيب الطاقي النسبي لأعلى 10 هياكل، بما يطابق اتجاهات DFT.
  • التقاط العقوبة الطاقية المرتبطة بتكوينات ترتيب الشحن غير الملائمة بشكل صحيح.

ب. بناء الغلاف المحدب (Convex Hull)

• نماذج MLIP القياسية: فشلت في وضع الطور المستقر تجريبياً عند تركيز 66% من الصوديوم على الغلاف المحدب. تنبأت بأطوار مستقرة خاطئة واستقرار ديناميكي حراري مغلوط.
• نماذج MLIP المضمنة: نجحت في إعادة بناء الغلاف المحدب، وحددت بدقة التكوينات المستقرة لـ $NaFePO_4$ و $FePO_4$ و $Na_{0.66}FePO_4$.
• تقليل الخطأ: انخفض متوسط الخطأ المطلق (MAE) بالنسبة لـ DFT بشكل كبير لجميع النماذج، حيث أظهر نموذج MACE أقرب توافق مع غلاف DFT المحدب.

ج. تحليل العزم المغناطيسي

• حافظت النماذج المضمنة بنجاح على توزيعات متميزة للعزوم المغناطيسية لـ $Fe^{2+}$ و $Fe^{3+}$ طوال عملية التحسين الهيكلي، مما منع "انهيار الشحن" (Charge collapse) الذي لوحظ في النماذج القياسية.

4. المساهمات الرئيسية

1. تحديد فجوة حرجة: إثبات أن عدم قدرة نماذج MLIP على التقاط الإنتروبيا الإلكترونية هو سبب رئيسي للفشل في نمذجة المواد ذات التكافؤ المختلط للفلزات الانتقالية.
2. إطار تشخيصي: وضع بروتوكول يستخدم العزوم المغناطيسية والمنبثق من الخوارزميات الجينية لاختبار نماذج MLIP بصرامة على المواد ذات اضطراب الشحن.
3. منهجية مبتكرة: تقديم إطار عمل عملي لـ تضمين معلومات حالة الشحن مباشرة في تمثيلات MLIP عبر تضمينات ذرية متميزة.
4. التقييم المرجعي: التحقق من هذا النهج عبر ثلاثة من أبرز بنيات MLIP (CHGNet، cPaiNN، MACE)، مما يثبت قابليته للتعميم.

5. الأهمية والآفاق المستقبلية

• التأثير على أبحاث البطاريات: يحل هذا العمل عقبة رئيسية في محاكاة كاثودات البطاريات، مما يتيح التنبؤ الدقيق باستقرار الطور، ومخططات الجهد، وآليات التحلل في المواد ذات التكافؤ المختلط.
• القابلية للتطبيق الأوسع: هذا النهج ضروري لأي نظام مواد يعتمد فيه الاستقرار الديناميكي الحراري على ترتيب الشحن، بما في ذلك المواد الحفازة والأكاسيد شديدة الارتباط.
• الاتجاهات المستقبلية: يشير المؤلفون إلى أن التعريف الصريح لحالات الشحن يزيد من درجات الحرية (والتكلفة الحسابية) لخوارزميات التحسين مثل الخوارزميات الجينية. قد يركز العمل المستقبلي على الطرق غير المباشرة لتعلم توزيعات الشحن أو خوارزميات مخصصة لتحسين ترتيب الشحن (مثل مخططات مجموعات إيوالد - Ewald summation) لتقليل العبء الحسابي.

في الختام، يجادل البحث بأن نماذج MLIP لكي تكون موثوقة في الأنظمة الكهروكيميائية المعقدة، يجب أن تتجاوز الأوصاف الهندسية وتدمج صراحة درجات الحرية الإلكترونية، وتحديداً الإنتروبيا الإلكترونية، في تمثيلات التدريب الخاصة بها.