Parameterizing empirical interatomic potentials for predicting thermophysical properties via an irreducible derivative approach: the case of ThO$_2$ and UO$_2$

Resumen Técnico: Parametrización de Potenciales Interatómicos Empíricos mediante un Enfoque de Derivadas Irreducibles para ThO₂ y UO₂

Planteamiento del Problema
La precisión de las simulaciones de dinámica molecular (MD) clásica para predecir propiedades termofísicas está fundamentalmente limitada por la calidad de los potenciales interatómicos empíricos (EIP) empleados. Los EIP tradicionales suelen parametrizarse mediante el ajuste a datos experimentales, tales como parámetros de red, constantes elásticas y expansión térmica. Sin embargo, los datos experimentales son frecuentemente limitados en cantidad y calidad, particularmente para estructuras de defectos complejas, y a menudo no logran sondear directamente los detalles del potencial de Born-Oppenheimer. En consecuencia, las estrategias de parametrización tradicionales suelen generar potenciales que son inadecuados para predecir con precisión las dispersiones de fonones y las interacciones de fonones de orden superior, las cuales son críticas para comprender el transporte térmico y la formación de defectos en materiales de combustible nuclear como el dióxido de torio (ThO₂) y el dióxido de uranio (UO₂). Si bien los potenciales interatómicos basados en aprendizaje automático (MLIP) ofrecen una mayor precisión, su costo computacional y la falta de interpretabilidad física siguen siendo barreras. Existe la necesidad de una metodología de entrenamiento robusta que aproveche los datos de primeros principios para capturar propiedades relacionadas con los fonones sin la carga computacional de los MLIP.

Metodología
Los autores introducen un enfoque de entrenamiento para EIP basado en la comparación directa de derivadas irreducibles (ID) entre el EIP objetivo y el potencial de Born-Oppenheimer derivado de la Teoría del Funcional de la Densidad (DFT).

• Datos de Entrenamiento: En lugar de depender únicamente de energías y fuerzas, el conjunto de datos incluye derivadas de desplazamientos de segundo y tercer orden e ID de deformación (strain) de segundo orden. Estas derivadas explotan plenamente la simetría del grupo espacial, permitiendo el entrenamiento sin información redundante. El conjunto de entrenamiento comprende:
  • ID de desplazamiento de segundo orden dentro de una supercelda $2 \times 2 \times 2$.
  • ID de desplazamiento de tercer orden dentro de una supercelda cúbica convencional.
  • ID de deformación de segundo orden.
  • Parámetros de red a 0 K, cargas efectivas de Born normalizadas y energías de formación de pares de Frenkel (FP).
• Forma del Potencial: El estudio parametriza un EIP para ThO₂ y UO₂ basándose en el potencial CRG existente (el cual utiliza términos de Buckingham, Morse y EAM), pero lo mejora mediante la incorporación de un modelo de núcleo-caparazón (core-shell). En este modelo, cada ion se divide en un núcleo masivo y un caparazón sin masa conectados por un resorte armónico, una característica esencial para capturar modos de fonones ópticos específicos.
• Optimización: Se emplea un proceso de optimización de dos etapas. La Etapa 1 utiliza optimización local (Nelder-Mead) para refinar parámetros y pesos, añadiendo datos de entrenamiento progresivamente desde propiedades básicas hasta derivadas complejas. La Etapa 2 utiliza optimización global (algoritmo de enjambre de partículas) para finalizar el conjunto de parámetros.
• Validación: Los potenciales resultantes (denotados como PW) se validan contra cálculos DFT y datos experimentales para la dispersión de fonones, constantes elásticas, conductividad térmica (calculada mediante la Ecuación de Transporte de Boltzmann en la aproximación de tiempo de relajación), expansión térmica y energías de formación de defectos.

Contribuciones Clave y Resultados

• Mejora en la Dispersión de Fonones: Los potenciales PW superan significativamente al potencial CRG ampliamente utilizado. Mientras que el potencial CRG sobreestima las ramas de fonones ópticos y no logra capturar la brecha de frecuencia entre las ramas ópticas más altas, el PW reproduce con éxito la dispersión calculada por DFT y la brecha de la rama óptica, gracias a la inclusión del modelo núcleo-caparazón.
• Conductividad Térmica: El PW ofrece mejoras sustanciales en las predicciones de conductividad térmica en comparación con el CRG. A 1000 K, el error en la predicción de la conductividad térmica para ThO₂ y UO₂ se reduce del 54% y 63% (CRG) a un 17% y 9% (PW), respectivamente, en comparación con los datos experimentales.
• Energías de Formación de Defectos: A pesar de haber sido entrenado con solo dos puntos de datos para la formación de defectos (pares de Frenkel de Th/U en una celda convencional), el PW predice con precisión las energías de formación para los FP de O, Th y U en superceldas más grandes, con errores dentro del 9% de los valores de DFT.
• Constantes Elásticas: El PW proporciona mejores predicciones para ciertas constantes elásticas ($C_{11}$ y $C_{44}$ en ThO₂; $C_{44}$ en UO₂) en comparación con el CRG, aun cuando el CRG fue ajustado directamente a constantes elásticas experimentales. Se señalan discrepancias en otras constantes que derivan de las diferencias entre los valores de DFT y los experimentales, más que de un fallo del potencial.
• Expansión Térmica: El PW muestra un buen acuerdo con los datos experimentales de expansión térmica hasta 2500 K para ambos materiales.

Significancia y Reivindicaciones
El artículo sostiene que el entrenamiento de EIP basado en derivadas irreducibles es una dirección prometedora para desarrollar potenciales precisos enfocados en propiedades termofísicas relacionadas con los fonones. Al utilizar la simetría del grupo espacial para minimizar la redundancia de los datos de entrenamiento e incorporar derivadas de orden superior, el enfoque logra una alta fidelidad con los datos de primeros principios. Los autores afirman que su método genera un EIP que caracteriza de manera fiable los datos de DFT y supera a los potenciales tradicionales en la predicción de dispersiones de fonones y conductividad térmica. Además, el estudio demuestra que mejorar la forma funcional analítica con un modelo núcleo-caparazón es esencial para capturar modos de fonones ópticos específicos en óxidos de actínidos. Los autores sugieren que este enfoque basado en ID podría ser útil en el contexto más amplio de los potenciales basados en aprendizaje automático, ofreciendo una vía para combinar la eficiencia de las formas analíticas con la precisión del entrenamiento de primeros principios.