A wrong ground-state structure of HfO$_2$ predicted by machine-learning interatomic potentials based on the PBE functional

Diese Arbeit warnt davor, dass auf PBE-basierten DFT-Daten trainierte maschinelle Lern-Interatomar-Potentiale die Grundzustandsstruktur von HfO$_2$ fehlerhaft vorhersagen, da das Funktional dazu neigt, Niedrigdichte-Phasen überzustabilisieren, ein Mangel, der durch die Verwendung alternativer Funktionale wie PBEsol oder LDA gemildert werden kann.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, eine perfekte Karte einer Gebirgsregion zu erstellen, um Wanderern dabei zu helfen, das tiefste Tal (den „Grundzustand“) zu finden. In der Welt der Materialwissenschaften repräsentiert dieses Tal die stabilste, natürlichste Form, die ein Material wie Hafniumoxid (HfO₂) anstrebt.

Lange Zeit haben Wissenschaftler ein leistungsstarkes Werkzeug namens Maschinelles Interatomares Potenzial (MLIP) eingesetzt. Denken Sie an diese MLIPs als an superintelligente Navigationssysteme. Sie werden trainiert, indem man ihnen Daten von einem „Lehrer“ namens Dichtefunktionaltheorie (DFT) füttert. Der populärste „Lehrer-Text“, der für das Training dieser Navigationssysteme verwendet wird, ist ein spezifischer Satz von Regeln namens PBE-Funktional.

Hier ist die Geschichte dessen, was die Studie herausgefunden hat:

1. Das Navigationssystem hat die Karte falsch gelesen

Die Forscher baten ihr Navigationssystem (das auf PBE-Daten trainierte MLIP), das tiefste Tal für HfO₂ zu finden.

• Was das Navigationssystem sagte: „Das tiefste Tal ist ein Ort namens I4₁/amd. Es ist eine Struktur mit geringer Dichte und viel Platz, in der die Atome in einem spezifischen oktaedrischen Muster angeordnet sind (wie ein Kasten mit sechs Seiten).“
• Was die Realität sagt: „Nein, das tiefste Tal ist tatsächlich die monokline P2₁/c-Struktur. Das ist das, was Experimente in der realen Welt eindeutig zeigen.“

Das Navigationssystem zeigte selbstbewusst auf das falsche Ziel. Es behauptete, dass die „geräumige“ I4₁/amd-Struktur um 17 Einheiten stabiler sei als der wahre Gewinner.

2. Ist das Navigationssystem kaputt oder lügt der Lehrer?

Die Forscher fragten sich: Haben wir das Navigationssystem falsch gebaut, oder gibt der Lehrer (PBE) schlechte Hausaufgaben?

Sie testeten dies, indem sie:

• Andere berühmte, vorgefertigte Navigationsmodelle (wie NequIP und MatterSim) überprüften. Ergebnis: Sie alle zeigten auf denselben falschen „I4₁/amd“-Taler.
• Die Vorhersagen des Navigationssystems direkt gegen die Rohdaten des Lehrers testeten. Ergebnis: Das Navigationssystem hatte seine Aufgabe eigentlich perfekt erfüllt; es hatte lediglich die Fehler des Lehrers getreulich kopiert.

Das Urteil: Das Navigationssystem war nicht kaputt. Der PBE-Lehrer war das Problem.

3. Die Analogie der „lockeren Kleidung“

Warum machte dieser PBE-Lehrer diesen Fehler?
Stellen Sie sich vor, das PBE-Funktional ist wie ein Schneider, der lockere, weite Kleidung liebt.

• Die „I4₁/amd“- und „Pbcn“-Strukturen sind wie lockere, geräumige Outfits (geringe Dichte, großes Volumen).
• Die „P2₁/c“-Struktur ist wie ein engeres, kompakteres Outfit.
• Der PBE-Schneider hat eine Voreingenommenheit: Er denkt, dass lockere, geräumige Kleidung angenehmer (energetisch niedriger) ist, als sie tatsächlich ist. Aufgrund dieser Voreingenommenheit sagte der PBE-Lehrer dem Navigationssystem, dass das geräumige I4₁/amd-Outfit das beste sei, obwohl in Wirklichkeit das engere P2₁/c-Outfit das ist, welches das Material bevorzugt.

Als die Forscher andere „Schneider“ (Funktionale wie PBEsol oder LDA) ausprobierten, die engere, kompaktere Passformen bevorzugen, korrigierte sich die Karte selbst. Plötzlich sah das „I4₁/amd“-Outfit zu weit und zu teuer aus, und die „P2₁/c“-Struktur kehrte als wahrer Champion zurück.

4. Die Reise des Wanderers (Ferroelektrisches Schalten)

Die Studie untersuchte auch, was passiert, wenn sich HfO₂ verändert (so wie ein Wanderer seinen Pfad wechselt).

• Szenario A (Festes Gitter): Wenn man den Wanderer zwingt, auf einem starren Pfad zu bleiben (die Größe der Karte nicht zu ändern), geben sowohl der „lockere“ PBE-Lehrer als auch der „enge“ PBEsol-Lehrer ähnliche Richtungen vor.
• Szenario B (Relaxiertes Gitter): Wenn man dem Wanderer erlaubt, die Größe des Pfades zu ändern (erlaubt, dass die Karte expandiert oder kontrahiert), geben die beiden Lehrer völlig unterschiedliche Richtungen an.
  • Der PBE-Lehrer (mit der Tendenz zu Lockerheit) sagt: „Nimm den Pfad durch das geräumige Pbcn-Tal, weil es leicht und geräumig aussieht.“
  • Der PBEsol-Lehrer (mit der Tendenz zu Kompaktheit) sagt: „Nein, dieser Pfad ist zu breit und instabil. Nimm den engeren, direkteren Weg.“

Da der PBE-Lehrer überschätzt, wie komfortabel die „geräumigen“ Pfade sind, führt er die Simulation auf einen völlig anderen Weg, als es in der realen Welt tatsächlich passieren würde.

Die große Lehre

Die wichtigste Erkenntnis ist eine Warnung für jeden, der diese hochtechnologischen Navigationssysteme (MLIPs) verwendet:

Nur weil ein maschinelles Lernmodell unglaublich genau darin ist, seine Trainingsdaten zu kopieren, bedeutet das nicht, dass es die Wahrheit sagt. Wenn der „Lehrer“ (das DFT-Funktional) eine eingebaute Voreingenommenheit hat (wie das Lieben von lockerer Kleidung), wird der Schüler (das MLIP) diese Voreingenommenheit perfekt und selbstbewusst lernen und die falsche Antwort vorhersagen.

Um eine zuverlässige Karte der Materialwelt zu erhalten, kann man dem maschinellen Lernmodell nicht einfach vertrauen; man muss sicherstellen, dass der Lehrer, von dem es gelernt hat, die richtigen Regeln anwendet.

Technische Zusammenfassung

Technische Zusammenfassung: Eine falsche Grundzustandsstruktur von HfO₂, vorhergesagt durch auf dem PBE-Funktional basierende maschinelle Lern-Interatomar-Potentiale

Problemstellung
Maschinelle Lern-Interatomar-Potentiale (MLIPs) sind zu unverzichtbaren Werkzeugen für großskalige Materialsimulationen geworden, da sie eine Genauigkeit nahe der Erster-Prinzipien-Dichtefunktionaltheorie (DFT) bei einem Bruchteil der Rechenkosten bieten. Die Vorhersagezuverlässigkeit von MLIPs ist jedoch untrennhaft mit der Qualität ihrer Trainingsdatensätze verbunden, die vorwiegend mittels des Perdew–Burke–Ernzerhof (PBE) Generalized Gradient Approximation (GGA) Funktionals generiert werden. Während PBE aufgrund seiner Effizienz und Stabilität weit verbreitet ist, bleibt die Frage kritisch, ob es in der Lage ist, die subtilen Energiedifferenzen zwischen konkurrierenden Polymorphen in komplexen Systemen wie Hafniumoxid (HfO₂) präzise zu beschreiben. HfO₂ weist einen starken polymorphen Wettbewerb auf (einschließlich monokliner, orthorhombischer und tetragonaler Phasen) und reagiert hochsensibel auf externe Felder und Dehnungen. Das zentrale Problem dieser Arbeit ist, ob PBE-basierte MLIPs in der Lage sind, die korrekte Grundzustandsstruktur und die Energielandschaften von HfO₂ zuverlässig zu erfassen, oder ob inhärente Fehler des PBE-Funktionals durch die Machine-Learning-Modelle reproduziert und verstärkt werden.

Methodik
Die Autoren verwendeten einen facettenreichen Ansatz, um die Zuverlässigkeit von PBE-basierten Modellen für HfO₂ zu untersuchen:

1. MLIP-Training und globale Suche: Ein spezifisches MLIP basierend auf der Allegro-Architektur wurde auf einem Datensatz trainiert, der mittels Ab-initio-Molekulardynamik (AIMD) unter Verwendung des PBE-Funktionals (VASP) generiert wurde. Dieses Potential wurde verwendet, um globale Struktur-Suchverfahren mittels der CALYPSO-Software durchzuführen, um die energetisch günstigsten Strukturen zu identifizieren.
2. Benchmarking gegen Foundation-Modelle: Um zu bestimmen, ob die Ergebnisse spezifisch für ihr maßgeschneidertes Modell waren, führten die Autoren strukturelle Suchverfahren mit mehreren weit verbreiteten, vortrainierten PBE-basierten Foundation-Modellen durch, darunter NequIP-OAM-L, MatterSim-v1-5M und MACE-MP-0.
3. Funktionalvergleich: Die Autoren berechneten die relativen Energien verschiedener HfO₂-Kristallstrukturen (einschließlich der monoklinen $P2_1/c$, der tetragonalen $P4_2/nmc$, der orthorhombischen $Pca2_1$ und der neu identifizierten $I4_1/amd$ Phasen) unter Verwendung einer Reihe von Austausch-Korrelations-Funktionalen: PBE, PBE-vdW, SCAN, PBEsol und der lokalen Dichtenäherung (LDA).
4. Analyse der Polarisationsumschaltung: Um den Einfluss des Funktional-Bias auf dynamische Prozesse zu bewerten, berechneten die Autoren die Polarisationsumschaltpfade für ferroelektrisches orthorhombisches HfO₂ ($Pca2_1$) sowohl mit PBE als auch mit PBEsol. Diese Berechnungen wurden sowohl unter Bedingungen eines fixierten Gitters als auch unter Bedingungen eines relaxierten Gitters mittels der Nudged Elastic Band (NEB) und der Generalized Solid-State NEB (GSSNEB) Methoden durchgeführt.

Kernergebnisse

• Identifizierung eines falschen Grundzustands: Sowohl das speziell trainierte PBE-basierte MLIP als auch mehrere öffentliche Foundation-Modelle (NequIP-OAM-L, MatterSim-v1-5M) sagten fälschlicherweise eine niederenergetische $I4_1/amd$-Struktur als globales Minimum für HfO₂ voraus. Diese Struktur, die der Rutile TiO₂ ähnelt und sechszählige Hf–O-Oktaeder-Einheiten aufweist, wurde als etwa 17 meV/f.u. niedriger in der Energie als der experimentell verifizierte monokline $P2_1/c$ Grundzustand befunden.
• Ursprung des Fehlers: Vergleichende DFT-Berechnungen bestätigten, dass die MLIPs die PBE-DFT-Ergebnisse getreu reproduzierten, was bewies, dass der Fehler kein Artefakt des Machine-Learning-Fittings war, sondern ein intrinsischer Fehler des PBE-Funktionals selbst. Die $I4_1/amd$-Phase trat nur unter dem PBE-Funktional als stabilste Struktur auf. Als andere Funktionale (PBE-vdW, SCAN, PBEsol, LDA) verwendet wurden, wurde die $I4_1/amd$-Phase signifikant weniger stabil und wurde unter LDA schließlich zur hochenergetischsten Phase.
• Strukturelle Sensitivität: Der Fehler wurde auf die Tendenz von PBE zurückgeführt, Strukturen mit geringer Dichte, großen Gleichgewichts-Volumina und spezifischen Koordinationsumgebungen (sechszähliger Hf, dreizähliger O) überzustabilisieren. Funktionale, die kompaktere Strukturen bevorzugen, wie PBEsol und LDA, bestrafen diese Niedrigdichte-Konfigurationen.
• Auswirkung auf die ferroelektrische Umschaltung: Der Funktional-Bias veränderte die Energielandschaften für die Polarisationsumschaltung signifikant, wenn die Gitterrelaxation zulässig war. Unter Bedingungen eines fixierten Gitters lieferten PBE und PBEsol ähnliche Barrieren. Bei Gitterrelaxation sagte PBE jedoch einen distinkten $Pbcn$-ähnlichen Zwischenzustand mit einer niedrigeren Barriere voraus, während PBEsol einen konventionellen tetragonal-ähnlichen Übergangszustand beibehielt. Dies geschah, weil die Energielandschaft von PBE das $Pbcn$-Stadium zu einem kompetitiven Niedrigenergie-Becken macht, während PBEsol es bei einer wesentlich höheren Energie ansiedelt.

Wesentliche Beiträge

• Entdeckung eines systematischen MLIP-Versagens: Die Studie zeigt eine bisher nicht berichtete, spurische Grundzustands-Vorhersage ($I4_1/amd$) auf, die bei mehreren hochmodernen PBE-basierten MLIPs für HfO₂ auftritt.
• Zuweisung an Austausch-Korrelations-Funktionale: Die Arbeit demonstriert eindeutig, dass Fehler in den MLIP-Vorhersagen von Kristallstrukturen direkt aus dem verwendeten Austausch-Korrelations-Funktional resultieren können, welches zur Generierung der Trainingsdaten diente, und nicht aus der Machine-Learning-Architektur oder dem Fitting-Prozess.
• Funktional-abhängige Energielandschaften: Die Forschung hebt hervor, dass die Wahl des Funktionals die Topologie der Potenzialenergiefläche grundlegend verändert, insbesondere für Prozesse, die große Gitterrelaxationen beinhalten, wie Phasenübergänge und ferroelektrische Umschaltungen.
• Validierung alternativer Funktionale: Die Studie zeigt, dass der Fehler weitgehend durch die Verwendung alternativer Funktionale wie PBEsol und LDA unterdrückt werden kann, welche die monokline $P2_1/c$-Struktur korrekt als Grundzustand vorhersagen.

Bedeutung und Ansprüche
Die Autoren rahmen diese Studie als kritische Warnung an die Materialmodellierungs-Community ein. Sie behaupten, dass MLIPs zwar leistungsstark sind, ihre Zuverlässigkeit jedoch nicht allein durch ihre Fähigkeit beurteilt werden kann, Referenz-DFT-Daten zu reproduzieren. Wenn das zugrunde liegende DFT-Funktional systematische Biase enthält (wie die Überschätzung von Volumina durch PBE für bestimmte Koordinationsumgebungen), wird das MLIP diese Fehler getreu reproduzieren, was zu physikalisch inkorrekten Vorhersagen von Grundzuständen und Phasenübergangspfaden führt. Das Paper betont die Notwendigkeit, die physikalische Validität des verwendeten Austausch-Korrelations-Funktionals sorgfältig zu bewerten, insbesondere wenn Systeme mit komplexem polymorphem Wettbewerb und Gitterrelaxation simuliert werden. Die Ergebnisse legen nahe, dass eine Abhängigkeit von PBE-trainierten Foundation-Modellen ohne funktionale Validierung bei HfO₂ und ähnlichen Systemen zu irreführenden Schlussfolgerungen hinsichtlich der strukturellen Stabilität und der Schaltmechanismen führen kann.