A Multi-Scale Machine Learning Framework for Coupled Chemical, Spin, and Structural Disorder in Alloys

Resumen Técnico: Un Marco de Aprendizaje Automático Multiescala para el Desorden Acoplado Químico, de Espín y Estructural en Aleaciones

Planteamiento del Problema
Las propiedades termodinámicas de las aleaciones magnéticas desordenadas están gobernadas por el complejo entrelazamiento del desorden configuracional (especies químicas y orientaciones de espín) y el desorden estructural (distorsiones de la red local). Si bien los métodos computacionales existentes pueden abordar estos factores de forma individual —utilizando simulaciones de Monte Carlo (MC) para el muestreo configuracional y Dinámica Molecular (MD) para la dinámica estructural—, no logran capturar el acoplamiento intrínseco donde los cambios en la ocupación de los sitios generan fuerzas que alteran la geometría de la red. Modelar este sistema acoplado con precisión es computacionalmente prohibitivo mediante la Teoría del Funcional de la Densidad (DFT) debido a la necesidad de superceldas grandes y un muestreo extensivo. Además, los modelos sustitutos tradicionales, como los campos de fuerza clásicos o las expansiones de clústeres, suelen asumir geometrías de red fijas o carecen de la capacidad de describir simultáneamente los grados de libertad químicos, de espín y estructurales.

Metodología
Los autores proponen un marco unificado multiescala que integra modelos de aprendizaje automático (ML) con métodos de muestreo estadístico para abordar estas limitaciones. La arquitectura central acopla simulaciones de MC (para el muestreo configuracional) con simulaciones de MD (para la relajación estructural) en un bucle anidado:

1. Esquema de Muestreo: El marco propone movimientos de MC (intercambios elementales, giros de espín y saltos intersticiales). En lugar de evaluar estos movimientos en una red estática, cada movimiento propuesto activa una trayectoria corta de NPT-MD (número de partículas, presión y temperatura constantes) para permitir que la red se relaje y capture las distorsiones estructurales.
2. Potenciales de Aprendizaje Automático:
   • Redes Neuronales de Grafos (GNN): Se emplea una GNN basada en Transformers para evaluar la energía total y los momentos magnéticos relajados por sitio ($\{s_{i,relaxed}\}$) para una configuración dada. Crucialmente, la GNN toma tanto las especies atómicas como la suposición inicial de espín (initial spin guess) como características de los nodos, entrenándola para predecir los momentos relajados de forma autoconsistente y la energía total. Esto permite al modelo manejar configuraciones de espín arbitrarias requeridas para el muestreo de MC.
   • Potenciales Interatómicos de Aprendizaje Automático (MLIP): El modelo CHGNet se ajusta para predecir fuerzas interatómicas y tensiones. Estos derivados de la energía total impulsan las relajaciones estructurales (MD) y aseguran un campo de fuerza conservativo. Los autores señalan que, aunque CHGNet predice momentos magnéticos en estado fundamental, se utiliza aquí exclusivamente para la dinámica estructural, ya que los cálculos de referencia de DFT indican que las configuraciones magnéticas no afectan significativamente las fuerzas y tensiones en este sistema.
3. Promedio Termodinámico: La energía configuracional efectiva para un movimiento de MC propuesto se calcula promediando las energías de varias instantáneas (snapshots) extraídas de la trayectoria de MD. Esta energía se utiliza entonces en el muestreo de Metropolis o Wang-Landau para aceptar o rechazar el movimiento, generando un ensamble que captura tanto el desorden configuracional como el estructural.

Contribuciones Clave

• Marco Unificado: El artículo establece el primer marco computacional capaz de modelar simultáneamente el desorden químico, de espín y estructural acoplado en aleaciones utilizando una combinación de GNNs y MLIPs dentro de un bucle de muestreo estadístico.
• Arquitectura del Modelo: El desarrollo de una arquitectura GNN específica que acepta configuraciones de espín iniciales como entrada para predecir momentos magnéticos relajados y energías totales, superando la limitación de los modelos de ML estándar que típicamente solo predicen propiedades de estado fundamental.
• Construcción de Datasets: La creación de dos conjuntos de datos especializados para aleaciones de Fe-Co-C: uno para el ajuste fino del MLIP (enfocado en distorsiones estructurales y fuerzas) y otro para entrenar la GNN (enfocado en diversas configuraciones químicas/de espín y momentos magnéticos relajados).

Resultados
El marco se aplicó a aleaciones de Fe-Co con dopantes de carbono intersticial con estructura cúbica centrada en el cuerpo (BCC):

• Temperaturas de Transición de Fase: El marco predijo con éxito la temperatura de la transición orden-desorden para Fe-Co en 1,000 K, en excelente acuerdo con el valor experimental de 1,006 K. También predijo la temperatura de fusión en 1,690 K, coincidiendo con la aproximación experimental de ~1,700 K.
• Papel de las Distorsiones Estructurales:
  • Sin distorsiones estructurales (red fija), el marco identificó una configuración de cadena de carbono lineal como el estado fundamental, lo que conduce a una alta temperatura de transición orden-desorden para el carbono (>1,700 K) debido a las interacciones C-C.
  • Con distorsiones estructurales (NPT-MD), la configuración de la cadena de carbono se desestabilizó porque las distorsiones de la red local alrededor de los átomos de carbono rompieron la simetría de cancelación de fuerzas. Consecuentemente, la temperatura de transición orden-desorden del carbono se redujo significativamente, mientras que la transición de Fe-Co se mantuvo robusta cerca de los 1,000 K.
• Transiciones Estructurales: El marco capturó una transición inducida por la temperatura de una estructura tetragonal a una casi cúbica a medida que aumentaba el desorden del carbono. Esto se cuantificó mediante parámetros de orden de red anisotrópicos ($D_{ab}$ y $D_c$), que mostraron grandes fluctuaciones en concentraciones intermedias de carbono (1.85%) debido a que el sistema oscilaba entre dos estados intersticiales con simetrías inequívocas.
• Precisión del Modelo: El MLIP ajustado alcanzó un Error Absoluto Medio (MAE) de 0.119 eV/Å para las fuerzas y 0.443 GPa para las tensiones. La GNN logró un MAE de 34.0 meV/átomo para la energía y 0.065 $\mu_B$ para los momentos magnéticos, demostrando fiabilidad para el muestreo termodinámico.

Significancia
El artículo afirma que este marco establece una herramienta fiable para estudiar aleaciones con múltiples desórdenes donde los grados de libertad configuracionales y estructurales están fuertemente acoplados. Al reproducir los puntos de referencia experimentales para Fe-Co-C con precisión de primeros principios, el trabajo demuestra que omitir las distorsiones estructurales puede conducir a sobreestimaciones significativas de las temperaturas de transición de fase. Los autores posicionan este marco como un método transferible aplicable a sistemas desordenados complejos, citando específicamente las aleaciones de alta entropía, los materiales multiferroicos y los dispositivos espintrónicos como áreas potenciales de aplicación. El trabajo destaca la necesidad de integrar la dinámica estructural impulsada por ML con el muestreo configuracional para predecir correctamente las propiedades termodinámicas de estos materiales.