Solid-angle based nearest-neighbor algorithm adapted for systems with low coordination number

In der unsichtbaren Welt der Atome und Moleküle bestimmt die Art und Weise, wie sich Teilchen anordnen, den Charakter des Materials. Ob eine Substanz ein harter Diamant, ein gleitendes Schmiermittel oder eine fließende Flüssigkeit ist, hängt allein von der lokalen Nachbarschaft ihrer Bestandteile ab. Um diese Materialien zu verstehen, müssen Wissenschaftler zuerst eine vermeintlich einfache Frage beantworten: Wer ist ein Nachbar? In einer dichten Menge von Teilchen ist nicht immer offensichtlich, welche sich berühren und welche lediglich vorbeiziehen. Diese Unterscheidung ist entscheidend, da die Anzahl der unmittelbaren Nachbarn, die ein Teilchen hat – bekannt als Koordinationszahl –, die Struktur des gesamten Systems bestimmt. Jahrzehntelang haben Forscher auf mathematische Werkzeuge zurückgegriffen, um diese unsichtbaren Grenzen zu ziehen, doch diese Werkzeuge stießen an ihre Grenzen, wenn die Menge spärlich war oder die Anordnung ungewöhnlich war, wobei sie oft ferne Teilchen fälschlicherweise als enge Freunde identifizierten.

Ein Forschungsteam der Universität Utrecht und der Université Paris-Saclay hat eine verfeinerte Methode entwickelt, um genau dieses Problem zu lösen. Sie konzentrierten sich auf eine bestehende Technik namens solid-angle-based nearest-neighbor algorithm (auf dem Solid-Winkel basierender Nächste-Nachbar-Algorithmus), die Nachbarn bestimmt, indem sie prüft, wie viel des umgebenden Sichtfeldes eines Teilchens durch seine Gefährten blockiert wird. Während diese Methode in dichten, chaotischen Systemen gut funktioniert, neigt sie in offenen, strukturierten Gittern, in denen Teilchen wenige und weit voneinander entfernt sind, zu einem systematischen Fehler. In diesen Umgebungen mit geringer Dichte greift der ursprüngliche Algorithmus oft zu weit und zählt Teilchen, die eigentlich zur nächsten Nachbarschicht gehören, so, als wären sie Teil des ersten Kreises. Die Forscher führten eine geometrische Korrektur ein, um diese Überzählung zu beheben, ohne neue einstellbare Parameter in die Berechnung einzuführen. Ihr modifizierter Ansatz, den sie mSANN nennen, identifiziert erfolgreich die korrekte Anzahl der Nachbarn in komplexen Strukturen, die von Honigwabenmustern bis hin zu Diamantkristallen reichen, und bietet so eine genauere Karte der mikroskopischen Welt.

Die zentrale Herausforderung bei der Identifizierung von Nachbarn liegt im Fehlen einer einzigen, universellen Definition dessen, was ein „Berühren“ ausmacht. In einem perfekten Kristall ist die Antwort klar, aber in realen Materialien sorgt thermische Energie für ein Zittern der Teilchen, was die Grenzen zwischen den Schichten verschwimmen lässt. Traditionelle Methoden verlassen sich oft auf einen festen Distanz-Cutoff, ziehen einen Kreis um ein Teilchen und zählen jeden, der darin liegt. Dies scheitert jedoch, wenn sich die Dichte innerhalb des Materials ändert. Eine andere populäre Methode nutzt eine geometrische Partitionierung des Raums, indem sie den Bereich um jedes Teilchen in eine eindeutige Zelle unterteilt. Während dies zwar willkürliche Distanzgrenzen vermeidet, reagiert es empfindlich auf winzige Vibrationen und kann in Strukturen mit geringer Koordination, wie etwa einem Honigwabengitter, in dem jedes Teilchen nur drei Nachbarn hat, fälschlicherweise ferne Teilchen einschließen. Der Solid-Angle-Ansatz wurde als robuste Alternative entwickelt, die keine festen Distanzeinstellungen erfordert. Er arbeitet, indem er sich eine Sphäre um ein zentrales Teilchen vorstellt und den Winkelraum berechnet, den ein potenzieller Nachbar einnimmt. Der Algorithmus erweitert die Grenze, bis die Nachbarn gemeinsam die gesamte Sphäre ausfüllen. Dies funktioniert wunderbar in dichten Systemen, aber in offenen Gittern täuscht die Geometrie der Situation den Algorithmus.

Die Forscher entdeckten, dass die ursprüngliche Methode in offenen Strukturen effektiv einen Kreis zeichnet, der zu groß ist. Stellen Sie sich ein Teilchen vor, das im Zentrum eines Dreiecks sitzt, das von seinen drei nächsten Nachbarn gebildet wird. Um den Raum um das zentrale Teilchen herum zu füllen, berechnet der Algorithmus einen Radius, der zu den Ecken dieses Dreiecks reicht. Dabei schließt er unbeabsichtigt Teilchen ein, die sich knapp außerhalb des Dreiecks befinden, also in der nächsten Schicht der Struktur. Dies geschieht, weil der Algorithmus den Raum so behandelt, als müsste er durch einen Kreis gefüllt werden, der durch die Nachbarn verläuft, statt durch einen Kreis, der sie lediglich umschließt. Dieses geometrische Versäumnis führt zu einer konsistenten Überschätzung der Anzahl der Nachbarn, indem die erste Schicht der Nachbarn mit der zweiten verwechselt wird.

Um dies zu korrigieren, schlugen die Autoren eine einfache geometrische Anpassung vor, die auf der Beziehung zwischen dem Kreis, der durch die Nachbarn verläuft, und dem Kreis, der in die von ihnen gebildete Form passt, basiert. Sie erkannten, dass während die ursprüngliche Methode den äußeren Kreis verwendet, ein genauerer Ansatz für diese spärlichen Strukturen einen Radius nutzen würde, der irgendwo zwischen den inneren und äußeren Grenzen liegt. Sie führten eine Modifikation ein, die den berechneten Radius skaliert und ihn effektiv verkleinert, um die Grenze gerade so weit zu schrumpfen, dass die fernen Teilchen ausgeschlossen werden, während gleichzeitig das natürliche Zittern der Atome berücksichtigt wird. Diese Anpassung ist rein geometrisch und erfordert keine neuen Parameter oder Feinabstimmungen, wodurch die Einfachheit der ursprünglichen Methode bewahrt wird. Sie wirkt wie ein Filter, der verhindert, dass der Algorithmus in offenen Gittern zu weit greift, während sie gleichzeitig flexibel genug bleibt, um das thermische Rauschen in realen Materialien zu handhaben.

Das Team testete seine neue Methode, mSANN, gegen den ursprünglichen Algorithmus und die traditionelle geometrische Partitionierungsmethode über eine Vielzahl simulierter Systeme hinweg. In zweidimensionalen Simulationen von Honigwaben- und Quadratgittern identifizierten die ursprünglichen Methoden häufig die Anzahl der Nachbarn falsch, indem sie oft sechs oder fünf statt der korrekten drei oder vier zählten. Die modifizierte Methode hingegen identifizierte konsequent die exakte Koordinationszahl für jedes Teilchen und erzeugte eine scharfe, klare Verteilung, die der theoretischen Struktur entsprach. In dreidimensionalen Tests mit Diamant- und Graphitstrukturen, die ebenfalls niedrige Koordinationszahlen aufweisen, hatten die ursprünglichen Methoden ebenfalls Schwierigkeiten, zwischen der ersten und der zweiten Schicht der Nachbarn zu unterscheiden. Die mSANN-Korrektur löste dies erfolgreich auf und identifizierte die korrekte Anzahl der Nachbarn in allen getesteten Kristalltypen, einschließlich der einfachen kubischen und körperzentrierten kubischen Gitter.

Die Forscher untersuchten auch komplexere, ungeordnete Systeme, wie etwa Quasikristalle, die eine Mischung aus verschiedenen Formen und Nachbarschaftszahlen enthalten. In diesen heterogenen Umgebungen erzeugte die ursprüngliche Solid-Angle-Methode manchmal falsche Verbindungen über die Diagonalen quadratischer Lücken hinweg und führte so separate Regionen zusammen. Der modifizierte Algorithmus vermied diese spuriösen Verbindungen und bewahrte die wahre Topologie der Struktur. Darüber hinaus bot die neue Methode in Systemen, in denen verschiedene Phasen koexistieren – wie etwa an einer Grenzfläche zwischen einem Kristall und einer ungeordneten Region –, eine konsistente Identifizierung der Nachbarn, während die anderen Methoden signifikante Inkonsistenzen zeigten. Diese Robustheit deutet darauf hin, dass die Modifikation besonders wertvoll für die Untersuchung von Materialien ist, die nicht perfekt geordnet sind und in denen die lokale Umgebung von Punkt zu Punkt stark variiert.

Neben der Genauigkeit waren die Forscher auch um die Geschwindigkeit der Berechnung besorgt, da die Identifizierung von Nachbarn ein grundlegender Schritt in vielen groß angelegten Simulationen ist. Sie implementierten ihren Algorithmus so, dass er moderne Rechenleistung nutzt, indem sie Parallelverarbeitung einsetzen, um die Berechnungen effizient zu bewältigen. Ihre Benchmarks zeigten, dass bei kleinen Systemen mit weniger als tausend Teilchen die traditionelle geometrische Methode die schnellste Option bleibt. Sobald die Systemgröße jedoch wächst, wird der modifizierte Algorithmus signifikant schneller und übertrifft die traditionelle Methode bei sehr großen Systemen mit Millionen von Teilchen um fast das Doppelte an Geschwindigkeit. Diese Effizienz, kombiniert mit der verbesserten Genauigkeit in Umgebungen mit geringer Dichte, macht die neue Methode zu einem leistungsstarken Werkzeug für die Analyse komplexer Materialien.

Die Arbeit zeigt, dass ein sorgfältiger Blick auf die zugrunde liegende Geometrie eines Problems zu erheblichen Verbesserungen führen kann, wie wir die physische Welt modellieren. Indem sie erkannten, dass die Definition eines Nachbarn der ursprünglichen Methode in offenen Strukturen zu permissiv war, konnten die Forscher eine Korrektur einführen, die sowohl mathematisch elegant als auch praktisch effektiv ist. Der modifizierte Algorithmus behebt nicht nur einen spezifischen Fehler; er bietet einen zuverlässigeren Weg, die lokale Struktur der Materie abzubilden, von den starren Gittern der Kristalle bis hin zu den fluktuierenden Anordnungen ungeordneter Phasen. Für Wissenschaftler, die das Verhalten von Materialien auf atomarer Ebene untersuchen, ist ein Werkzeug, das die Anzahl der Nachbarn präzise zählen kann, ohne durch die Lücken zwischen ihnen verwirrt zu werden, ein entscheidender Schritt zum Verständnis der Eigenschaften der Materialien, aus denen unsere Welt besteht.