Screening 39 billion protostructures for materials discovery

Resumen Técnico: Cribado de 39 mil millones de protoestructuras para el descubrimiento de materiales

Planteamiento del problema
El campo de la predicción de estructuras cristalinas (CSP, por sus siglas en inglés) es central para el descubrimiento de materiales, pero enfrenta un cuello de botella combinatorio. El espacio de todos los materiales posibles es vasto, lo que dificulta una exploración sistemática y sin sesgos. Los enfoques existentes dependen en gran medida de datos provenientes de repositorios como ICSD, AFLOW y Materials Project, los cuales están sesgados hacia prototipos estructurales conocidos (aproximadamente 8,000 tipos observados). Los métodos que utilizan IA generativa o priors estadísticos derivados de estas bases de datos heredan este sesgo, limitando la capacidad de descubrir estructuras muy diferentes a las ya conocidas. Además, el espacio configuracional completo de un cristal con $N$ átomos involucra $6+3N$ grados de libertad continuos, lo que hace que la enumeración exhaustiva sea computacionalmente intratable para sistemas complejos.

Metodología
Los autores proponen un marco de trabajo de alto rendimiento en dos etapas, diseñado para escalar la exploración de estructuras en órdenes de magnitud manteniendo una cobertura imparcial del espacio configuracional.

1. Precribado de grano grueso (Protoestructuras):

   • Representación: Los autores utilizan "protoestructuras", una representación de grano grueso que especifica el grupo espacial de un cristal, los elementos químicos y las posiciones de Wyckoff ocupadas por los átomos, sin definir explícitamente las coordenadas atómicas ni los parámetros de red. Esto reduce significamente los grados de libertad.
   • Enumeración: Enumeran sistemáticamente todas las protoestructuras con simetría distinta para compuestos binarios y ternarios utilizando elementos desde el litio hasta el bromo (excluyendo gases nobles). La enumeración se restringe a una complejidad estructural de cinco átomos en la celda asimétrica y un máximo de 64 átomos en la celda unidad. Esto genera aproximadamente 39 mil millones de protoestructuras.
   • Modelo de Aprendizaje Automático (Wren): Se utiliza el modelo Wren (Red de Representación de Wyckoff), una arquitectura basada en transformadores reimplementada usando JAX para aceleración por GPU, para predecir la energía de formación de estas protoestructuras. El modelo fue entrenado en la base de datos Alexandria (conjunto de datos PBE 3D, ~4.5 millones de estructuras).
   • Eficiencia: El modelo Wren reimplementado logra un aumento de 40 veces en el rendimiento de inferencia en comparación con implementaciones previas en GPU, permitiendo la evaluación de millones de protoestructuras por segundo.
   • Filtrado: Se construye un envolvente convexo (convex hull) de estabilidad termodinámica utilizando las energías predichas por Wren. Las protoestructuras predichas con energías superiores a 100 meV/átomo por encima del envolvente convexo de Alexandria son descartadas. Esta etapa retiene aproximadamente 15.7 millones de candidatos (0.04% del total).

2. Exploración y relajación de grano fino:

   • Concretización: Las protoestructuras retenidas se convierten en estructuras cristalinas explícitas. Los grados de libertad (parámetros de red y coordenadas atómicas dentro de las restricciones de Wyckoff) se muestrean utilizando el Muestreo de Hipercubo Latino (LHS). El número de muestras se determina heurísticamente basado en los grados de libertad y los átomos.
     la estimación del volumen inicial se realiza mediante un modelo de regresión lineal que predice los radios atómicos efectivos basándose en la identidad química y la coordinación, evitando geometrías iniciales no físicas.
   • Relajación: Las estructuras generadas se someten a una optimización de geometría con restricciones de simetría utilizando el potencial interatómico MACE (Machine-learning Atomic Cluster Expansion, versión MPA-0). Esto asegura que la relajación respete la simetría original de la protoestructura.
   • Validación: Un paso de validación secundaria utiliza el potencial de red neuronal ORB. Las estructuras se retienen solo si las predicciones de energía de MACE y ORB concuerdan dentro de 100 meV/átomo.
   • Salida: Esta etapa produce 81 millones de estructuras cristalinas localmente relajadas.

Resultos Clave

• Escala: El flujo de trabajo cribó 39 mil millones de protoestructuras, resultando en un conjunto de datos de 81 millones de estructuras cristalinas relajadas.
• Estabilidad: Dentro del espacio químico cribado (Li–Br, binario/ternario, complejidad $\le$ 5, celda unidad $\le$ 64 átomos), los autores identificaron 456,110 estructuras con una entalpía de descomposición ($H_d$) inferior a 100 meV/átomo respecto al envolvente convexo.
• Novedad: Estas estructuras abarcan 91,295 prototipos cristalinos únicos. Crucialmente, 88,498 de estos prototipos no están presentes en las bases de datos existentes (Alexandria o GNoME).
• Validación:
  • Sistemas conocidos: El método fue validado en los sistemas Hf-Zn-N, Ti-Zn-N y Zr-Zn-N. Redescubrió con éxito fases conocidas e identificó una fase ternaria faltante (Hf$_6$Zn$_6$N) que fue omitida en un cribado limitado previo debido a topes en el conteo de estructuras.
  • Verificación mediante DFT: Se realizaron cálculos de alta capacidad mediante DFT en 2,303 nuevas estructuras con $H_d \le 0$. De estas, 631 permanecieron por debajo de cero (en el envolvente convexo), y el resto permaneció dentro de 25 meV/átomo del envolvente.
  • Análisis de error: El error absoluto medio de las predicciones de los potenciales de aprendizaje automático (MLIP) respecto a DFT en Alexandria es de 33 meV/átomo. La distribución del error muestra un sesgo hacia energías de formación más altas (falsos negativos), lo que sugiere que la metodología es conservadora.

Significado y Reivindicaciones
El artículo afirma proporcionar un mapa sistemático del espacio estructural-composicional de baja energía y un conjunto grande y estructurado de candidatos para la evaluación de propiedades posteriores.

• Superación del Sesgo: Al utilizar protoestructuras y evitar priors basados en bases de datos estructurales existentes, el flujo de trabajo supera el sesgo de "prior estructural" inherente a la mayoría de los métodos actuales de CSP, permitiendo el descubrimiento de nuevos prototipos en regiones inexploradas.
• Escalabilidad: El enfoque de dos etapas (precribado de grano grueso seguido de relajación de grano fino) aborda con éxito la explosión combinatoria, haciendo factible el cribado de decenas de miles de millones de candidatos.
• Diversidad: El descubrimiento de casi 90,000 nuevos prototipos representa un "cambio cualitativo real" en la diversidad estructural de las bases de datos de materiales en comparación con esfuerzos previos (por ejemplo, Alexandria tiene ~8,449 prototipos bajo límites similares; GNoME tiene ~2,253).
• Fundamento para Trabajos Futuros: Los autores señalan que, aunque el cribado actual es masivo, la metodología proporciona una base escalable. Sugieren que el reentrenamiento del modelo de precribado con mayor precisión podría reducir aún más el número de sistemas que requieren la costosa relajación de la segunda etapa, permitiendo potencialmente el cribado de complejidades estructurales más altas a través de la tabla periódica.

El trabajo no pretende haber sintetizado estos materiales experimentalmente, sino que posiciona el conjunto de datos como un recurso para guiar el diseño teórico y experimental de materiales en el futuro.