Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity

Resumen Técnico: Aprendizaje Activo para el Descubrimiento Computacional Guiado de Materiales 2D con Alta Conductividad de Hall de Espín

Planteamiento del Problema
El descubrimiento de materiales bidimensionales (2D) con una conductividad de Hall de espín (SHC) intrínsecamente alta es crítico para los dispositivos espintrónicos de próxima generación, los cuales dependen de la conversión de corrientes de carga longitudinales en corrientes de espín transversales mediante el acoplamiento espín-órbita (SOC). Sin embargo, la identificación de tales materiales se ve dificultada por el vasto espacio químico de los sistemas 2D y el costo computacional prohibitivo de los métodos convencionales de primeros principios. Si bien el cribado de alto rendimiento existe, a menudo depende de simplificaciones algorítmicas que comprometen la precisión, particularmente en la construcción de modelos de enlace fuerte (TB) utilizando Funciones de Wannier Localizadas Máximamente (MLWF). Los errores en la generación automatizada de MLWF para estructuras de bandas dispersivas pueden degradar significamente la precisión de la predicción de la SHC.

Metodología
Los autores desarrollaron un marco de aprendizaje activo que integra la Teoría del Funcional de la Densidad (DFT), el modelado de enlace fuerte (TB) y el aprendizaje automático (ML) para navegar eficientemente el espacio químico de aproximadamente 2,000 materiales 2D de la base de datos de estructuras bidimensionales Materials Cloud (MC2D).

1. Flujo de Trabajo Computacional:

   • DFT: Las estructuras de bandas electrónicas (EBS) se calcularon utilizando QUANTUM ESPRESSO con funcionales GGA-PBE y pseudopotenciales de norma conservada.
   • MLWF y Modelado TB: Para garantizar la precisión, las MLWF se construyeron manualmente (guiadas por el usuario) a partir de las funciones de onda de la DFT utilizando Wannier90, evitando los errores asociados con la generación de alto rendimiento totalmente automatizada. Estas MLWF formaron la base para un conjunto de base mínima del Hamiltoniano TB.
   • Cálculo de SHC: La conductividad de Hall de espín se calculó utilizando el formalismo de Kubo. El acoplamiento espín-órbita (SOC) se introdujo como un término adicional al Hamiltoniano, con parámetros ajustados para coincidir con los resultados de la DFT. El cálculo se realizó sobre una rejilla k densa ($800 \times 800 \times 1$).

2. Bucle de Aprendizaje Activo:

   • Conjunto de Datos Inicial: El proceso comenzó con un conjunto de entrenamiento diverso de 24 sistemas 2D que cubrían varias familias químicas y simetrías.
   • Ingeniería de Características: Los modelos fueron entrenados utilizando 158 características, incluyendo 132 características elementales de la biblioteca matminer (p. ej., radio covalente, electronegatividad, peso atómico) y 26 características de simetría diseñadas a mano (p. ej., presencia de centros de inversión, planos de espejo).
   • Selección de Modelo: Se aplicó una transformación logarítmica simétrica a los valores de SHC debido a su amplio rango. Entre la Regresión de Ridge, la Regresión de Vectores de Soporte y la Regresión de Procesos Gaussianos, la Regresión de Ridge produjo consistentemente el error de validación cruzada más bajo y fue seleccionada para el cribado.
   • Estrategia de Adquisición: Se utilizó la función de adquisición de "Mejora Esperada" (EI) para equilibrar la exploración (incertidumbre alta) y la explotación (SHC predicha alta). En cada uno de los tres bucles de aprendizaje activo, se preseleccionaron de 5 a 7 candidatos con valores de EI altos para una validación rigurosa mediante DFT-SOC+TB.
   • Iteración: Los nuevos valores de SHC calculados se añadieron al conjunto de entrenamiento para reentrenar el modelo para la ronda subsecuente.

Resultados Clave

• Descubrimiento de Candidatos de Alta SHC: La estrategia de aprendizaje activo identificó con éxito materiales con una SHC significativamente mejorada. El candidato con mejor desempeño, Fe$_2$TeSe (descubierto en la Ronda 3), exhibió una SHC de 271.52 $\hbar/e\Omega^{-1}$.
• Mejora de Desempeño: Este valor es aproximadamente 23 veces mayor que el mejor candidato encontrado en la selección aleatoria inicial (AuSe, 11.7 $\hbar/e\Omega^{-1}$). El segundo mejor candidato, K$_2$PtTe$_2$, mostró un incremento de 16 veces sobre el mejor inicial.
• Precisión del Modelo: Aunque el modelo de ML tuvo dificultades para predecir valores atípicos extremos con perfecta precisión (un desafío conocido en el aprendizaje activo), guió con éxito la búsqueda hacia regiones del espacio químico con valores de SHC más altos, como lo evidencia el desplazamiento constante hacia la derecha en las distribuciones de SHC a través de las tres rondas.
• Perspectivas Químicas: Los análisis de SHAP (Explicaciones Aditivas de Shapley) y de correlación revelaron que la alta SHC no está determinada únicamente por elementos pesados o la ruptura de la simetría de inversión. Los factores clave incluyeron:
  • Metalicidad: 9 de los 10 mejores candidatos eran metálicos.
  • Carácter Orbital: Dominancia de orbitales $d$ cerca de la energía de Fermi ($E_F$), incluso de metales de transición no pesados (p. ej., Fe, Mn, Cu).
  • Simetría: La ausencia de simetría de roto-inversión fue un fuerte indicador de alta SHC. Por el contrario, la presencia de múltiples planos de espejo o grupos espaciales no simmórficos no correlacionó consistentemente con una alta SHC en este conjunto de datos.
  • Radio Covalente: Una gran diferencia entre el radio covalente máximo y mínimo de los elementos constituyentes (característica Magpie) fue el predictor más influyente.

Significancia y Reivindicaciones
Los autores afirman que este trabajo demuestra la eficacia de combinar el aprendizaje activo con modelos de alta fidelidad basados en la física (DFT-SOC+TB) para acelerar el descubrimiento de materiales en grandes espacios químicos. El estudio destaca que:

1. Eficiencia: El aprendizaje activo puede identificar materiales superiores con significativamente menos recursos computacionales que el cribado exhaustivo.
2. Complejidad de la SHC: Una alta SHC surge de una interacción compleja de factores que incluyen el carácter metálico, simetrías orbitales específicas cerca de $E_F$ y una ruptura de simetría específica (falta de roto-inversión), en lugar de simples heurísticas como la presencia de átomos pesados por sí solos.
3. Disponibilidad de Datos: El conjunto de datos generado y los modelos de ML entrenados se ponen a disposición pública para facilitar investigaciones adicionales en espintrónica 2D.
4. Validación: Los principales candidatos, incluyendo el Fe$_2$TeSe, se predicen como dinámicamente estables y exfoliables, lo que los convierte en objetivos viables para futuras investigaciones experimentales.

El artículo concluye que, si bien el modelo de ML sirve como una poderosa herramienta de cribado, la integración de un modelado TB guiado por el usuario y de alta fidelidad es esencial para obtener valores de SHC confiables, particularmente para sistemas con estructuras de bandas complejas.