Scalable long-range machine learning interatomic potentials with electrical response for atomistic material modeling

Die Materialwissenschaft steht seit langem vor einer grundlegenden Kluft. Auf der einen Seite stehen die Gesetze der Quantenmechanik, die das Verhalten einzelner Atome mit perfekter Präzision vorhersagen können, aber zu langsam sind, um mehr als ein paar tausend Atome gleichzeitig zu simulieren. Auf der anderen Seite stehen die massiven Simulationen, die benötigt werden, um reale Bauteile wie Batterien oder Computerchips zu verstehen, die Millionen oder Milliarden von Atomen enthalten, aber oft auf vereinfachten Regeln beruhen, die die subtilen Details der tatsächlichen atomaren Wechselwirkungen übersehen. Das fehlende Bindeglied war eine Möglichkeit, riesige Ansammlungen von Atomen mit der Genauigkeit der Quantenphysik zu simulieren, insbesondere wenn diese Atome elektrischen Feldern ausgesetzt sind. In der realen Welt treibt Elektrizität Ionen zur Bewegung an, schaltet Materialien zwischen verschiedenen Zuständen um und erzeugt Wärme auf mikroskopischer Ebene. Um bessere Geräte zu entwickeln, müssen Wissenschaftler diese Prozesse über große Distanzen hinweg beobachten können, aber die Mathematik, die erforderlich ist, um die unsichtbaren elektrischen Kräfte zwischen jedem einzelnen Atom zu verfoln, macht solche großen Simulationen meist unmöglich.

Ein Forschungsteam der National University of Singapore hat diese Lücke geschlossen, indem es ein neues Rechenframework entwickelt hat, das es ihnen ermöglicht, Millionen von Atomen mit hoher Genauigkeit unter Berücksichtigung langreichweitiger elektrischer Effekte zu simulieren. Ihre Arbeit, die kürzlich veröffentlicht wurde, führt eine Methode namens DPA4C-LR ein. Dieses System kombiniert ein hocheffizientes, lokales Modell, das vorhersagt, wie Atome auf ihre unmittelbaren Nachbarn drücken und ziehen, mit einer separaten, globalen Berechnung, die die weitreichenden elektrischen Kräfte handhabt. Durch die Aufteilung des Problems auf diese Weise umgingen die Forscher den Rechenengpass, der Wissenschaftler normalerweise daran hindert, große Systeme unter elektrischen Feldern zu simulieren. Sie demonstrierten, dass ihr Ansatz auf nur vier leistungsstarken Grafikprozessoren laufen kann, um ein System mit 5,2 Millionen Atomen zu modellieren – eine Größenordnung, die zuvor für dieses Maß an Detailgenauigkeit unerreichbar war.

Die Kernherausforderung, die das Team gelöst hat, bestand darin, die elektrische Reaktion einzubeziehen, ohne die Geschwindigkeit zu drosseln. In vielen Materialien hängt die Art und Weise, wie Atome auf ein elektrisches Feld reagieren, vom kollektiven Verhalten des gesamten Systems ab und nicht nur von den Atomen in der Nähe. Traditionelle Methoden, die versuchen, diese globalen Effekte für jeden Schritt einer Simulation zu berechnen, erfordern, dass alle Daten an einem Ort gehalten werden, was verhindert, dass die Arbeit auf mehrere Computer aufgeteilt wird. Die neue Methode umgeht dies, indem sie die langreichweitigen elektrischen Kräfte als einen separaten Schritt behandelt, der effizient mit etablierten mathematischen Techniken gelöst werden kann, während die komplexen, lokalen Wechselwirkungen von einem Machine-Learning-Modell gehandhabt werden, das gleichzeitig über viele Prozessoren verteilt werden kann. Dies ermöglicht es, die Simulation auf Millionen von Atomen hochzuskalieren, ohne die Fähigkeit zu verlieren, vorherzusagen, wie das Material auf einen elektrischen Strom oder ein Feld reagiert.

Um zu beweisen, dass ihr System funktioniert, testeten die Forscher es an drei sehr unterschiedlichen Materialien, bei denen jeweils eine große Anzahl von Atomen erforderlich war, um die Wahrheit offenzulegen. Zuerst untersuchten sie flüssiges Wasser. Wassermoleküle sind polar, das heißt, sie haben ein positives und ein negatives Ende, und sie richten sich in Reaktion auf elektrische Felder ständig neu aus. Das Team simulierte einen massiven Block Wasser und wandte elektrische Felder unterschiedlicher Stärke an. Ihr Modell sagte erfolgreich voraus, wie sich das Infrarotspektrum des Wassers – der einzigartige Fingerabdruck seiner Lichtabsorption – bei Änderung des Feldes verschob. Dies bestätigte, dass das System präzise ableiten konnte, wie sich die Atome bewegen und auf Elektrizität reagieren würden, obwohl es lediglich mit grundlegenden Energie- und Kraftdaten trainiert worden war und nie explizit über elektrische Felder unterrichtet wurde.

Als Nächstes widmete sich das Team einem komplexen keramischen Material, einem sogenannten Relaxor-Ferroelektikum, spezifisch Blei-Magnesium-Niobat. Diese Materialien sind berühmt für ihre Fähigkeit zur Polarisationsumkehr, eine Eigenschaft, die in Sensoren und Aktoren genutzt wird, aber ihr Verhalten ist notorisch schwer zu simulieren, da es von winzigen, ungeordneten Atomregionen abhängt, die erst in sehr großen Proben auftreten. Als die Forscher kleine Stücke dieses Materials simulierten, sahen die Ergebnisse wie ein standardmäßiger, geordneter Kristall aus. Doch als sie die Simulation auf eine Größe von fast 3.300 Atomen skalierten, änderte sich das Bild komplett. Die größere Simulation offenbarte eine „schlanke“ Hystereseschleife, eine spezifische Signatur der Fähigkeit des Materials, Zustände zu wechseln, ohne stecken zu bleiben, was das definierende Merkmal eines Relaxors ist. Dieses Ergebnis zeigte, dass die endliche Größe früherer Simulationen die wahre Natur des Materials verborgen hatte und dass erst durch das Erreichen der Skala von Millionen von Atomen das korrekte Verhalten beobachtet werden konnte.

Schließlich wandten die Forscher ihre Methode auf einen Festkörkelektrolyten an, ein glasartiges Material, das in zukunftsweisenden Batterien verwendet wird, spezifisch Lithium-Niob-Oxychlorid. In diesen Materialien müssen Ionen frei durch eine ungeordnete Struktur wandern, um Elektrizität zu leiten. Das Team simulierte eine große Glasprobe und wandte ein konstantes elektrisches Feld an, um die Drift der Lithium-Ionen zu beobachten. Durch das Verfolgen der Bewegung dieser Ionen über die Zeit berechneten sie die elektrische Leitfähigkeit des Materials. Das Ergebnis war ein präziser Wert von 6,8 ± 0,7 Millisiemens pro Zentimeter bei Raumtemperatur. Diese Messung war weitaher zuverlässiger als bisherige Schätzungen aus Simulationen ohne angelegtes Feld, die auf winzigen, zufälligen thermischen Fluktuationen basieren, welche schwer genau zu messen sind. Die neue Methode bot eine klare, direkte Sicht darauf, wie das Material Elektrizität leitet, und lieferte einen zuverlässigen Benchmark für das Design besserer Batteriekomponenten.

Die Auswirkungen dieser Arbeit reichen über diese spezifischen Beispiele hinaus. Indem sie bewiesen haben, dass langreichweitige elektrische Effekte effizient über Millionen von Atomen hinweg berechnet werden können, haben die Forscher die Tür dazu geöffnet, ganze Geräteschichten statt nur winziger Fragmente davon zu simulieren. Dies bedeutet, dass Wissenschaftler nun in der Lage sind, den Fluss von Wärme und Elektrizität über Grenzflächen in realen Geräten zu modellieren, wie etwa die Grenze zwischen einem Siliziumchip und einem Diamant-Kühlkörper, mit einem Detailgrad, der zuvor unmöglich war. Das Framework ist nicht nur ein theoretischer Fortschritt; es ist ein praktisches Werkzeug, das auf bestehender Hardware läuft und genutzt werden kann, um das Verhalten von Materialien unter genau den Bedingungen zu erforschen, denen sie in der realen Welt ausgesetzt sind. Da der Bedarf an schnelleren, effizienteren elektronischen und energetischen Geräten wächst, bietet die Fähigkeit, diese Systeme auf der Skala von Millionen von Atomen zu simulieren, eine entscheidende Grundlage für Innovationen, die es Forschern ermöglicht, die Leistung von Materialien vorherzusagen und zu optimieren, bevor auch nur ein einziger physischer Prototyp gebaut wird.