🔬 materials science

Abinit 2025: New Capabilities for the Predictive Modeling of Solids and Nanomaterials

Este artículo presenta los significativos avances científicos y técnicos en el paquete de software Abinit durante los últimos cinco años, destacando las nuevas capacidades en metodologías de estado fundamental y de estado excitado, computación de alto rendimiento acelerada por GPU, modelado de segundos principios y flujos de trabajo automatizados diseñados para apoyar el modelado predictivo de alto rendimiento de sólidos y nanomateriales.

Autores originales: Matthieu J. Verstraete, Joao Abreu, Guillaume E. Allemand, Bernard Amadon, Gabriel Antonius, Maryam Azizi, Lucas Baguet, Clementine Barat, Louis Bastogne, Romuald Bejaud, Jean-Michel Beuken, Jordan Bi

Publicado 2026-01-27

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Matthieu J. Verstraete, Joao Abreu, Guillaume E. Allemand, Bernard Amadon, Gabriel Antonius, Maryam Azizi, Lucas Baguet, Clementine Barat, Louis Bastogne, Romuald Bejaud, Jean-Michel Beuken, Jordan Bieder, Augustin Blanchet, Francois Bottin, Johann Bouchet, Julien Bouquiaux, Eric Bousquet, James Boust, Fabien Brieuc, Veronique Brousseau-Couture, Nils Brouwer Fabien Bruneval, Alois Castellano, Emmanuel Castiel, Jean-Baptiste Charraud, Jean Clerouin, Michel Cote, Clement Duval, Alejandro Gallo, Frederic Gendron, Gregory Geneste, Philippe Ghosez, Matteo Giantomassi, Olivier Gingras, Fernando Gomez-Ortiz, Xavier Gonze, Felix Antoine Goudreault, Andreas Gruneis, Raveena Gupta, Bogdan Guster, Donald R. Hamann, Xu He, Olle Hellman, Natalie Holzwarth, Francois Jollet, Pierre Kestener, Ioanna-Maria Lygatsika, Olivier Nadeau, Lorien MacEnulty, Enrico Marazzi, Maxime Mignolet, David D. O'Regan, Robinson Outerovitch, Charles Paillard, Guido Petretto, Samuel Ponce, Francesco Ricci, Gian-Marco Rignanese, Mauricio Rodriguez-Mayorga, Aldo H. Romero, Samare Rostami, Miquel Royo, Marc Sarraute, Alireza Sasani, Francois Soubiran, Massimiliano Stengel, Christian Tantardini, Marc Torrent, Victor Trinquet, Vasilii Vasilchencko, David Waroquiers, Asier Zabalo, Austin Zadoks, Huazhang Zhang, Josef Zwanziger

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina a Abinit como un microscopio digital superpotente que permite a los científicos ver y predecir cómo se comportan los átomos y los electrones dentro de los materiales, sin necesidad de mezclar productos químicos en un laboratorio. Durante los últimos 25 años, este software ha sido una piedra angular de la ciencia de materiales. Este nuevo artículo, con fecha de junio de 2025, es como un registro de actualización de la "Versión 2025", que muestra una revisión masiva que hace que el microscopio sea más nítido, más rápido y capaz de ver cosas que antes no podía.

Aquí tienes un desglose de las nuevas capacidades, explicado mediante analogías cotidianas:

1. La actualización del "Estado Fundamental": Controlando el caos

En física, el "estado fundamental" es la posición de calma y reposo de un material.

DFT con Restricciones (El "Agente de Tránsito"): Anteriormente, si los científicos querían forzar a un átomo específico a mantener una cantidad determinada de carga eléctrica o magnetismo, el software hacía una suposición y a menudo se equivocaba ligeramente. El nuevo DFT con Restricciones actúa como un estricto agente de tránsito. Ahora puede forzar a un átomo a mantener exactamente la cantidad correcta de carga o espín, lo que permite a los investigadores estudiar escenarios de "¿qué pasaría si...", como qué ocurre si se añaden artificialmente electrones extra a un material (fotodopaje) o estudiar estados magnéticos específicos que son difíciles de alcanzar de forma natural.
DFT de Alta Temperatura (La "Ola de Calor"): Las simulaciones estándar suelen fallar cuando las cosas se calientan demasiado (como dentro de una estrella o una explosión nuclear). El nuevo DFT Extendido y los Funcionales Térmicos son como añadir un escudo térmico al microscopio. Permiten al software simular materiales en estados de "materia densa caliente"—entornos abrasadores de alta presión donde los electrones se comportan como un gas caótico—sin que la simulación colapse.
Meta-GGA (La "Lente de Alta Definición"): El software ahora utiliza una lente matemática más sofisticada llamada meta-GGA. Piensa en las lentes estándar como aquellas que ven una imagen borrosa; esta nueva lente ve la "textura" de las nubes de electrones (densidad de energía cinética) con mucha más alta definición, lo que conduce a predicciones más precisas de cómo se mantienen unidos los materiales.

2. Ver lo invisible: Respuestas y vibraciones

Los materiales no solo se quedan quietos; vibran y reaccionan a los campos.

Flexoelectricidad (El "Efecto de Flexión"): Imagina doblar una regla. Normalmente, pensamos en estirarla. Pero si la doblas de manera irregular (creando un gradiente), puede generar electricidad. El nuevo software puede calcular ahora esta flexoelectricidad, la cual es crucial para entender cómo podrían funcionar los dispositivos electrónicos diminutos y flexibles.
Momento Angular de Fonones (La "Danza Giratoria"): Los átomos en un cristal vibran como bailarines. En algunos cristales, estos bailarines no solo se mueven hacia arriba y hacia abajo; también giran. El software ahora puede calcular este momento angular de fonones, ayudando a los científicos a entender cómo la luz y el magnetismo interactúan con estas vibraciones giratorias, especialmente en cristales "quirales" (con lateralidad).
Polares (Los "Bailarines Autoatrapados"): A veces, un electrón se excita tanto que arrastra a los átomos a su alrededor, creando una pequeña nube. Esto se llama polarón. Las nuevas herramientas pueden simular versiones tanto débiles como fuertes de este "autoatrapamiento", ayudando a los científicos a entender cómo se mueve la electricidad a través de materiales que son un poco "pegajosos".

3. La suite de "Estado Excitado": Mirando más allá de la calma

La mayoría de las simulaciones observan los materiales en reposo. Pero, ¿qué ocurre cuando se golpean con un láser o un campo eléctrico fuerte?

TDDFT en Tiempo Real (La "Cámara de Cámara Lenta"): En lugar de solo predecir el resultado final de un pulso de láser, el nuevo TDDFT en Tiempo Real actúa como una cámara de cámara lenta. Simula el movimiento de los electrones segundo a segundo mientras reaccionan a la luz intensa, permitiendo a los científicos ver la danza dinámica de los electrones en tiempo real.
GW y DMFT (Los "Consultores Expertos"): Para materiales donde los electrones están muy apiñados e interactúan fuertemente (como en los superconductores), las reglas estándar fallan. El software cuenta ahora con mejores "consultores" (aproximación GW y Teoría de Campo Medio Dinámico) que pueden manejar estas complejas interacciones sociales entre electrones, ofreciendo una imagen mucho más precisa de los verdaderos niveles de energía del material.
Clúster Acoplado (El "Socio de Precisión"): El software ahora puede hablar directamente con otro programa especializado llamado Cc4s. Piensa en esto como si Abinit le entregara un problema matemático difícil a un especialista que lo resuelve con extrema precisión, y luego le devolviera la respuesta. Esto permite cálculos ultra precisos de materiales sólidos.

4. Velocidad y Potencia: La Revolución de las GPU

El cambio más dramático es la velocidad a la que se ejecuta el software.

Aceleración por GPU (El "Motor de Fórmula 1"): Durante años, estos cálculos se ejecutaron en procesadores de computadora estándar (CPUs). El nuevo software ha sido completamente reescrito para ejecutarse en Unidades de Procesamiento Gráfico (GPUs), los mismos chips utilizados para videojuegos de alta gama.
- La Analogía: Si la versión antigua de CPU era un ciclista solitario, la nueva versión de GPU es un pelotón de 100 ciclistas rodando en perfecta formación.
- El Resultado: Simulaciones que antes tardaban días o semanas ahora pueden realizarse en horas o minutos. El artículo señala aceleraciones de 10 a 40 veces más rápidas, lo que permite simular materiales con miles de átomos en un solo nodo de computadora.

5. Automatización y Flujo de Trabajo: La "Línea de Montaje"

Calcular un material es difícil; calcular miles es imposible sin ayuda.

Flujos de Trabajo de Alto Rendimiento (La "Línea de Ensamblaje"): El artículo presenta nuevas herramientas (AbiPy, Atomate2, AiiDA) que actúan como una línea de ensamblaje automatizada. Puedes introducir una lista de 1,000 materiales diferentes en el sistema, y este hará automáticamente:
1. Configurar el experimento.
2. Ejecutar la simulación.
3. Comprobar errores.
4. Organizar los resultados.
- Esto permite a los investigadores cribar bases de datos masivas de materiales para encontrar el candidato perfecto para una batería o una celda solar sin intervención humana.
Muestreo de Aprendizaje Automático (El "Explorador Inteligente"): Una nueva herramienta llamada MLACS utiliza el aprendizaje automático para actuar como un "explorador inteligente". En lugar de simular cada momento individual del movimiento de un material (lo cual es lento), aprende los patrones y predice los momentos más importantes, acelerando drásticamente el estudio de cómo se comportan los materiales a altas temperaturas.

Resumen

En resumen, Abinit 2025 es una actualización masiva. Ahora es más caliente (puede simular temperaturas extremas), más nítido (matemáticas más precisas), más rápido (funciona con chips de videojuegos) y más inteligente (puede automatizar el descubrimiento de nuevos materiales). Transforma el software de una potente calculadora en un motor de descubrimiento integral y automatizado para la próxima generación de materiales.

Resumen Técnico: Abinit 2025: Nuevas Capacidades para el Modelado Predictivo de Sólidos y Nanomateriales

Planteamiento del Problema
El campo de la ciencia de materiales computacional enfrenta demandas crecientes para simular sistemas complejos bajo condiciones extremas (altas temperaturas, correlaciones fuertes, defectos) y para cerrar la brecha entre la precisión de los primeros principios y las escalas mesoscópicas. Si bien la Teoría del Funcional de la Densidad (DFT) es una herramienta estándar, las implementaciones tradicionales suelen tener dificultades con los regímenes de alta temperatura (la "pared de orbitales"), los sistemas electrónicos fuertemente correlacionados y el costo computacional del cribado de alto rendimiento. Además, la integración del aprendizaje automático, la computación de alto rendimiento (HPC) en arquitectias de GPU y los flujos de trabajo automatizados requiere marcos de software robustos, flexibles e interoperables. Este documento aborda la necesidad de actualizar la suite de software Abinit para satisfacer estos desafíos evolutivos, mejorando sus capacidades predictivas para estados fundamentales, estados excitados y propiedades de respuesta, al tiempo que optimiza el rendimiento en el hardware moderno.

Metodología e Implementación Técnica
El documento detalla un conjunto integral de avances metodológicos y técnicos implementados en Abinit durante los últimos cinco años.

Estado Fundamental y DFT Restringida:
- DFT Restringida (cDFT): Se implementó un nuevo algoritmo de Multiplicador de Lagrange basado en potenciales (PLM-cDFT) para imponer restricciones precisas sobre las cargas atómicas y los vectores de magnetización. Esto permite el estudio de estados excitados, transferencias de carga y excitaciones localizadas con precisión numérica arbitraria, resolviendo discrepancias en materiales magnéticos como el $YBaCo_4O_7$ .
- Fotodopaje: Se introdujo un esquema para imitar deformaciones estructurales fotoinducidas mediante números de ocupación restringidos (energías de quasi-Fermi), permitiendo la relajación estructural en estados excitados.
- DFT de Alta Temperatura: Para abordar la "pared de orbitales" en la materia densa caliente, se implementó un modelo de ondas planas extendido, tratando los estados de alta energía como electrones libres. Además, se integraron funcionales de intercambio-correlación térmicos (por ejemplo, corr-KSDT, KDT16) para contabilizar los efectos de la temperatura electrónica.
- Funcionales Meta-GGA: El soporte completo para funcionales meta-GGA (incluyendo SCAN, rSCAN, r2SCAN) se extendió tanto a los marcos de potenciales de onda plana (PAW) como a los de pseudopotenciales de conservación de norma, utilizando la densidad de energía cinética y términos de Laplaciano.
- Magnetismo Orbital: Se añadieron implementaciones para calcular el magnetismo orbital y el blindaje magnético (RMN), incluyendo tratamientos completos para aislantes diamagnéticos y enfoques centrados en átomos para antiferromagnetos, con soporte para el acoplamiento espín-órbita mediante ZORA.
Propiedades de Respuesta y Perturbaciones:
- Dispersión Espacial: Nuevas capacidades permiten el cálculo de la actividad óptica natural (NOA) y la flexoelectricidad (tanto de ion bloqueado como mediada por la red) utilizando pseudopotenciales de conservación de norma.
- Momento Angular de Fonones: La utilidad Anaddb se actualizó para calcular el momento angular de los fonones en sistemas que carecen de simetría de inversión.
- Interacción Electrón-Fonón: El marco se expandió para incluir propiedades de transporte mediante la Ecuación de Transporte de Boltzmann (BTE), utilizando tanto la Aproximación de Tiempo de Relajación (RTA) como la BTE Iterativa (IBTE), así como el formalismo de Kubo-Greenwood para sistemas con acoplamiento fuerte. Se introdujeron nuevos métodos para calcular las energías de enlace de polarones (regímenes de acoplamiento débil y fuerte) y la renormalización de la brecha de banda.
- Bases de Datos: El formato de la base de datos de derivadas (DDB) se actualizó a NetCDF, incluyendo metadatos y soporte para derivadas de orden superior (por ejemplo, curvatura de Berry).
Estados Excitados y Teoría de Perturbación de Muchos Cuerpos:
- TDDFT en Tiempo Real: La implementación de la DFT dependiente del tiempo en tiempo real (RT-TDDFT) permite la simulación de la dinámica electrónica bajo perturbaciones fuertes (por ejemplo, pulsos láser) y la dinámica molecular no adiabática.
- GW y DMFT: La aproximación GW ahora incluye el cálculo de la matriz de densidad de un cuerpo reducido (usando ecuaciones de Dyson linealizadas) y GW de baja escala (GWR) en espacio real/tiempo imaginario. Las implementaciones de la Teoría del Campo Medio Dinámico (DMFT) fueron optimizadas, incluyendo cálculos de función de Green más rápidos e integración con resolvedores CT-QMC (TRIQS).
- Clúster de Acoplamiento (Coupled Cluster): Se estableció una interfaz con el código Cc4s para exportar integrales de Coulomb para cálculos de alta precisión post-Hartree-Fock (CCSD, CCSD(T)) en sistemas periódicos.
- Interacciones Efectivas: El cálculo automatizado de los parámetros de Hubbard $U$ y Hund $J$ mediante respuesta lineal y la aproximación de fase aleatoria de campo medio restringida (cRPA) fue refactorizado.
Computación de Alto Rendimiento (HPC) y Optimización:
- Aceleración por GPU: Una reescritura completa del código de GPU utilizando directivas de offload de OpenMP permite realizar cálculos de estado fundamental y DFPT en aceleradores NVIDIA y AMD. Esto incluye la diagonalización iterativa optimizada (filtrado de Chebyshev, LOBPCG) y operaciones no locales.
- Paralelización: Los nuevos algoritmos de DFPT paralelizados por banda reducen la huella de memoria para sistemas grandes. Se integró el resolvedor de autovalores RMM-DIIS para acelerar la convergencia de SCF.
- Sistemas de Construcción (Build Systems): El sistema de construcción ahora soporta CMake junto con Autotools, y existen binarios precompilados disponibles a través de gestores de paquetes (Spack, EasyBuild, etc.).
Multiescala y Flujos de Trabajo:
- Segundos Principios: Los paquetes de Multibinit (MB-EAP, MB-LWF, MB-SPIN) y los marcos TDEP/aTDEP se mejoraron para construir modelos efectivos para la dinámica atómica y de espín en escalas mesoscópicas, incluyendo potenciales efectivos dependientes de la temperatura y aleaciones sustitucionales.
- Aprendizaje Automático: Se integró el paquete Mlacs para realizar el muestreo canónico asistido por aprendizaje automático, generando configuraciones de equilibrio y entrenando potenciales interatómicos (MLIPs) utilizando datos de Abinit.
- Automatización: Se desarrollaron flujos de trabajo para cálculos de alto rendimiento dentro de AbiPy, Atomate2 y AiiDA, automatizando tareas desde la generación de entradas hasta el post-procesamiento (por ejemplo, espectros de luminiscencia, expansión térmica, tensores SHG).

Resultos Clave y Capacidades

Rendimiento: Las versiones aceleradas por GPU de Abinit demuestran aceleraciones de 10 a 30 veces para LOBPCG y hasta 40 veces para el filtrado de Chebyshev en comparación con las ejecuciones solo de CPU en un número equivalente de nodos, permitiendo la convergencia de los estados fundamentales para sistemas con miles de átomos.
Precisión: La implementación de PLM-cDFT reprodujo con éxito los momentos magnéticos experimentales en $YBaCo_4O_7$ donde el método convencional DFT+U falló. El modelo de DFT extendido generó con éxito tablas de ecuaciones de estado para materiales como el hidrógeno y el hierro hasta temperaturas de plasma ideales.
Nueva Física: El código calculó con éxito el momento angular de los fonones, los coeficientes de flexoelectricidad y los estados polarónicos (por ejemplo, en LiF) a partir de los primeros principios.
Integración de Flujos de Trabajo: Los flujos de trabajo automatizados han sido validados para calcular espectros de luminiscencia de defectos, coeficientes de expansión térmica mediante la Aproximación Quasi-Armónica (QHA) y tensores de generación de segundo armónico (SHG) para grandes conjuntos de datos.

Significado y Reivindicaciones
El documento sostiene que estas actualizaciones expanden significativamente el alcance de Abinit, reforzando su posición como una herramienta versátil para la ciencia de materiales computacional. Las contribuciones clave son:

Puente de Escalas: La integración de métodos de segundos principios (Multibinit, TDEP) y aprendizaje automático (Mlacs) permite la simulación de fenómenos (transiciones de fase, paredes de dominio) a escalas de longitud y tiempo inaccesibles para la DFT directa, manteniendo la precisión de la mecánica cuántica.
Condiciones Extremas: La implementación de funcionales térmicos y modelos de DFT extendidos permite el modelado predictivo de la materia densa caliente y plasmas, un régimen previamente difícil de acceder con códigos estándar de ondas planas.
Alto Rendimiento y Reproducibilidad: El desarrollo de interfaces robustas con AbiPy, Atomate2 y AiiDA facilita la automatización de miles de cálculos, asegurando la reproducibilidad y permitiendo el cribado de materiales a gran escala.
Adaptación al Hardware: La modernización del código para aceleradores de GPU asegura que Abinit siga siendo competitivo en la era de la computación exaescala, ofreciendo ahorros sustanciales de energía y tiempo para sistemas grandes.

Los autores enfatizan que el software sigue siendo de código abierto, fomentando un entorno colaborativo para que los desarrolladores y usuarios extiendan estas capacidades hacia tratamientos relativistas, dinámica no adiabática y técnicas avanzadas de muchos cuerpos.