Data-Driven Prediction of NaCl-Type Entropy-Stabilized Oxide Compositions from First-Principles and Supervised Learning

Planteamiento del Problema

Los óxidos estabilizados por entropía (ESO, por sus siglas en inglés) ofrecen acceso a vastos espacios composicionales multicomponentes con un potencial de propiedades sin precedentes. Sin embargo, la identificación de candidatos prometedores es un desafío debido a la enorme cantidad de mezclas posibles y la dificultad de evaluar su estabilidad termodinámica frente a fases competidoras. Las búsquedas experimentales tradicionales de fuerza bruta consumen mucho tiempo y no existe una regla de diseño general para seleccionar conjuntos de elementos favorables. Específicamente, los autores buscan cribar ESOs equimolares de tipo quinario ($n=5$ cationes) con estructura NaCl (tipo sal de roca), un sistema donde la mezcla de cinco óxidos ordenados no siempre garantiza la estabilización de un ESO de fase única.

Metodología

Los autores desarrollaron un flujo de trabajo computacional de alto rendimiento que integra la Teoría del Funcional de la Densidad (DFT), Estructuras Cuasialeatorias Especiales (SQS), termodinámica de la envolvente convexa (convex-hull) y aprendizaje supervisado.

1. Construcción de la Base de Datos de Referencia:

   • Se construyó una base de datos consistente de óxidos binarios y ternarios ordenados utilizando 16 especies de cationes (Ca, Cu, Co, Fe, Hf, In, Mg, Mn, Ni, Sn, Sr, Ti, V, Y, Zn, Zr).
   • Los cálculos utilizaron funcionales tanto GGA (PBE) como meta-GGA (r2SCAN). Se aplicaron correcciones de energía de punto cero (ZPE) a las fases ordenadas mediante Phonopy.
   • La base de datos incluye varios prototipos cristalinos (p. ej., corindón, rutilo, espinela) para asegurar una envolvente convexa de estado fundamental robusta.

2. Modelado del Desorden (SQS):

   • El desorden atómico en soluciones sólidas equimolares se modeló mediante SQS generadas a través del Alloy Theoretic Automated Toolkit (ATAT).
   • Las expansiones de clúster incluyeron clústeres de pares hasta el séptimo vecino más cercano.
   • Los tamaños de las superceldas se optimizaron basándose en la raíz de la media cuadrática del error (RMSE) de la correlación y la convergencia de la energía total de DFT: 32 átomos para binarios, 48 para ternarios y 60 para sistemas quinarios.
   • La ZPE para las mezclas desordenadas se aproximó como una combinación lineal de las ZPE de los extremos ordenados, validada para introducir un error insignificante (<1%) en la entalpía de mezcla.

3. Evaluación de la Estabilidad Termodinámica:

   • La estabilidad se evaluó mediante un algoritmo de envolvente convexa iterativo personalizado en un espacio composicional de seis dimensiones ($x = \{x_{M1}...x_{M5}, x_O\}$).
   • La distancia a la envolvente ($\Delta_{hull}H$) determina la estabilidad a 0 K.
   • La estabilización a temperatura finita ($T_{stab}$) se definió como la temperatura donde la energía libre de Gibbs del ESO intersecta la envolvente convexa de las fases competidoras, contabilizando la entropía configuracional ($\Delta S_{conf}$) aproximada mediante la expresión de Boltzmann.

4. Cribado mediante Aprendizaje Automático (ML):

   • Para cribar de manera asequible las 4,368 combinaciones quinarias equimolares posibles ($\binom{16}{5}$), se entrenaron modelos de aprendizaje supervisado para predecir $\Delta_{hull}H$.
   • El conjunto de entrenamiento consistió en 416 configuraciones SQS quinarias calculadas mediante DFT (aproximadamente el 10% del espacio total) junto con datos ordenados unarios, binarios y ternarios.
   • Las características de entrada incluyeron fracciones de cationes y descriptores fisicoquímicos (número atómico, radio, electronegatividad, etc.).
   • Se compararon tres modelos: Regresión Lineal, Bosque Aleatorio (Random Forest) y Perceptrón Multicapa (MLP).

Resultados Clave

• Desempeño de la Base de Datos y el Funcional: El funcional meta-GGA (r2SCAN) proporcionó una concordancia significativamente mejor con los estados fundamentales experimentales y energías de envolvente convexa más bajas (por 10–20 kJ/mol) en comparación con PBE, particularmente para óxidos de metales de transición.
• Validación de SQS: Las superceldas de 60 átomos elegidas para los sistemas quinarios alcanzaron RMSEs de correlación cercanos a cero y fluctuaciones de energía por debajo de 1 kJ/mol. La aproximación lineal de ZPE fue validada contra cálculos de fonones completos en un sistema binario.
• Desempeño del Aprendizaje Automático (ML):
  • El modelo MLP optimizado logró el mejor desempeño predictivo con un RMSE de prueba de 4.24 ± 0.19 kJ/mol.
  • Este modelo requirió cálculos de DFT explícitos para solo ~10% de los sistemas quinarios para predecir las propiedades del conjunto completo de 4,368 composiciones.
  • El MLP superó a la Regresión Lineal (6.09 kJ/mol) y al Bosque Aleatorio (4.86 kJ/mol), resaltando la importancia de las correlaciones no lineales en la estabilidad de los óxidos multicomponentes.
• Identificación de Candidatos: El flujo de trabajo identificó 72 candidatos con una $T_{stab}$ predicha < 3,500 K. Se enumeraron los 10 mejores candidatos (p. ej., (Ca,Cu,Fe,Mg,Zn)O con $T_{stab} \approx 1,676$ K), mostrando restricciones químicas razonables (balance de carga).
• Validación Experimental:
  • La síntesis experimental de candidatos seleccionados (p. ej., (Cu,Fe,Mg,Sr,Zn)O y (Ca,Co,Cu,Mg,Zn)O) reveló que, si bien algunos formaron fases tipo NaCl, a menudo exhibían segregación de cationes (p. ej., el Sr/Fe o el Ca separándose en fases distintas) o se fundían por debajo de la $T_{stab}$ predicha.
  • Las rutas de descomposición computacional predijeron correctamente la tendencia de elementos con grandes diferencias de tamaño o química (como Ca o Sr) a segregarse en lugar de formar un ESO quinario de fase única.
  • El modelo recuperó con éxito ESOs conocidos (p. ej., (Co,Cu,Mg,Ni,Zn)O) entre las temperaturas de estabilización predichas más bajas.

Significancia y Reivindicaciones

El artículo afirma establecer una ruta eficiente y basada en datos para explorar óxidos multicomponentes. Sus contribuciones principales son:

1. Eficiencia Metodológica: Demostrar que un modelo de ML supervisado, entrenado con un pequeño subconjunto de datos de DFT, puede cribar eficazmente miles de complejas composiciones quinarias, reduciendo el costo computacional del cribado de alto rendimiento.
2. Perspectiva Física: El enfoque captura tendencias principales de estabilidad y fases competidoras dominantes, proporcionando una clasificación físicamente significativa de nuevos candidatos. Confirma que la entropía configuracional por sí sola es insuficiente para estabilizar ESOs quinarios de tipo NaCl de fase única; los factores entálpicos (transferencia de carga, estados de oxidación) y la competencia con óxidos de menor orden son críticos.
3. Guía Práctica: Aunque las temperaturas de estabilización absolutas se ven afectadas por aproximaciones termodinámicas sistemáticas (p. ej., la omisión de la entropía magnética y la termodinámica de la fase líquida), el marco proporciona orientación práctica para que los experimentalistas prioricen composiciones y racionalicen los resultados de la síntesis, como la necesidad de evitar elementos que causan la fusión prematura o la segregación.

Los autores concluyen que su flujo de trabajo sirve como una herramienta de cribado efectiva para priorizar composiciones prometedoras, aunque mantienen la modestia sobre la precisión de los valores absolutos de $T_{stab}$, señalando que deben interpretarse como indicadores comparativos en lugar de temperaturas exactas de síntesis.