Kinetic Monte Carlo-Ising Machine Optimization for Atomistic Inverse Design of Solid Electrolytes

Resumen Técnico: Optimización mediante Máquina de Ising y Monte Carlo Cinético para el Diseño Inverso Atómico de Electrolitos Sólidos

Planteamiento del Problema
El rendimiento de las celdas de combustible de óxido sólido (SOFC) depende en gran medida de la conductividad iónica de sus electrolitos sólidos. Si bien la concentración de dopantes en materiales como la circonia estabilizada con itria al 8 % molar (8YSZ) está bien estudiada, la disposición microscópica específica de los dopantes (configuración) influye significativamente en la conductividad, particularmente en dispositivos miniaturizados o películas delgadas. Trabajos previos establecieron que la conductividad iónica depende sistemáticamente de la configuración de los dopantes, pero la elucidación experimental de esta relación estructura-conductividad sigue siendo un desafío. El problema central abordado es el "diseño inverso atómico": identificar la configuración de dopantes específica que maximice la conductividad iónica. Este es un problema de optimización combinatoria masivo donde el espacio de configuración es demasiado vasto para una búsqueda exhaustiva, y los métodos convencionales de optimización de caja negra (BBO), como la optimización bayesiana, se vuelven intratables para sistemas multicomponentes grandes.

Metodología: El Marco KMC–FMQA
Los autores proponen un marco híbrido que combina simulaciones de Monte Carlo Cinético (KMC) con Factorización de Máquinas con Recocido de Optimización Cuadrática (FMQA), un algoritmo de BBO basado en máquinas de Ising. El flujo de trabajo opera de la siguiente manera:

1. Evaluación Directa (KMC): Las simulaciones KMC calculan la conductividad iónica (corriente de deriva) para una configuración de dopantes específica. Las simulaciones se centran en las rutas de migración de iones de oxígeno a través de trayectorias de seis sitios, donde las barreras de migración están determinadas por el entorno local de los dopantes.
2. Modelado Sustituto (FM): Una Máquina de Factorización (FM) actúa como un modelo sustituto, aprendiendo la relación entre las configuraciones de dopantes (codificadas como cadenas de bits) y sus conductividades resultantes a partir de un pequeño conjunto de datos.
3. Optimización (Máquina de Ising): La FM entrenada es utilizada por una máquina de Ising para buscar nuevas configuraciones que maximicen la conductividad predicha. Este paso resuelve un problema de Optimización Binaria No Restringida Cuadrática (QUBO) sujeto a restricciones físicas.
4. Ciclo Iterativo: La conductividad de la nueva configuración propuesta se calcula mediante KMC y se añade al conjunto de datos de entrenamiento, refinando la FM para la siguiente iteración.

Innovaciones Técnicas Clave
Para gestionar la explosión combinatoria en una supercelda de 8YSZ de 16 capas, los autores introdujeron dos estrategias críticas:

• Representación de Modelo de Bloques: En lugar de optimizar sitios atómicos individuales, el sistema se construye a partir de "bloques" de cuatro sitios de red. Se definen tres tipos de bloques basados en el contenido de dopantes: $Zr_4$, $Y_2Zr_2$ y $Y_4$. Esto reduce el espacio de búsqueda y mapea el problema a un formato QUBO adecuado para máquinas de Ising.
• Partición Basada en la Composición: Para mantener la estequiometría de 8YSZ, los autores enumeraron 81 composiciones de bloques posibles (variando la proporción de tipos de bloques). El vasto espacio de configuración se particionó en 81 subespacios independientes, cada uno optimizado en paralelo. Este enfoque demostró ser más efectivo que simplemente aumentar el número de ensayos en un único espacio de búsqueda no particionado.

Resultados
El marco se aplicó para optimizar las configuraciones de dopantes en una región de 16 capas de una supercelda de 8YSZ de volumen (bulk).

• Rendimiento: El marco KMC–FMQA identificó con éxito configuraciones con conductividades iónicas significativamente mayores que las distribuciones aleatorias. La mejor configuración alcanzó una conductividad de 0.423 S cm⁻¹.
• Comparación: Este resultado representa una mejora de un orden de magnitud sobre la conductividad promedio de las distribuciones de dopantes aleatorias (0.06 S cm⁻¹) y la conductividad reportada experimentalmente para la 8YSZ de volumen (0.0505 S cm⁻¹).
• Perspectivas Estructurales: Las configuraciones de alta conductividad exhibieron una característica estructural específica: los dopantes estaban altamente concentrados cerca de los bordes de la región de 16 capas (interfaces YSZ/ZrO₂). Los autores sugieren que estas configuraciones estratificadas promueven la acumulación de vacantes de oxígeno a lo largo de las capas, modificando las contribuciones electrostáticas a las barreras de migración y facilitando el transporte iónico.
• Evaluación Comparativa: Pruebas comparativas contra un modelo de todos los átomos y un modelo de bloques sin partición confirmaron que la representación basada en bloques, combinada con la partición basada en la composición, produjo el mejor rendimiento de optimización.

Significado y Reivindicaciones
El artículo presenta este trabajo como una "prueba de concepto" que demuestra que el marco KMC–FMQA permite un diseño inverso atómico eficiente para electrolitos sólidos. Los autores afirman que este enfoque permite la identificación rápida de configuraciones de alta conductividad que serían difíciles de encontrar mediante muestreo aleatorio u optimización convencional.

Los autores sostienen que, al combinarse con experimentos, este marco tiene el potencial de permitir la estimación inversa de estructuras microscópicas a partir de valores de conductividad medidos, proporcionando así una comprensión más profunda de los mecanismos de transporte iónico. Además, señalan que el enfoque es extensible a las interfaces electrolito-electrodo, ofreciendo una vía para un diseño de materiales atómico más amplio para optimizar el rendimiento de las SOFC. El estudio no pretende haber sintetizado experimentalmente estas configuraciones específicas, sino que se centra en la capacidad computacional para identificarlas.