🔬 materials science

Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

Este estudio presenta modelos de aprendizaje automático informados por la física que predicen con precisión los parámetros de interacción de Hubbard derivados de cRPA ( $U_{\rm eff}$ , $V$ y $J$ ) para óxidos de metales de transición, ofreciendo tanto capacidades de cribado de alto rendimiento como nuevos conocimientos físicos sobre los factores electrónicos y estructurales que rigen estas interacciones.

Autores originales: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Publicado 2026-07-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando construir un modelo perfecto de una diminuta y bulliciosa ciudad hecha de átomos. En esta ciudad, los electrones son los ciudadanos, zumbando de un lado a otro e interactuando entre sí. A veces, los electrones se comportan bien y siguen las reglas estándar de la circulación. Pero en ciertos materiales, como los óxidos de metales de transición, los electrones se vuelven revoltosos. Comienzan a empujarse y golpearse con tanta fuerza que las reglas habituales se rompen. Esto se llama "correlación electrónica fuerte". Para entender estos materiales —que son cruciales para fabricar mejores baterías, superconductores y magnetos— los científicos utilizan un conjunto especial de reglas llamadas "parámetros de Hubbard". Piensa en estos parámetros como las "leyes de tránsito" para estos electrones revoltosos: cuánto se repelen entre sí cuando están en el mismo lugar (en el sitio), cómo interactúan con sus vecinos al otro lado de la calle (entre sitios) y cómo sincronizan su giro (acoplamiento de Hund).

Durante mucho tiempo, determinar estas leyes de tránsito fue un juego de adivinanzas. Los científicos ajustaban los números hasta que sus modelos computacionales coincidían con los experimentos del mundo real, pero esto hacía que sus modelos fueran poco fiables para nuevos materiales. Más tarde, se desarrolló un método más riguroso llamado "aproximación de fase aleatoria restringida" (cRPA). Es como tener una cámara de tráfico súper precisa que puede calcular las reglas exactas basadas en la física, pero es tan costosa computacionalmente que tarda una eternidad en ejecutarse, lo que hace imposible comprobar cada material del universo. Aquí es donde la historia se pone interesante: ¿cómo obtenemos la precisión de la súper cámara sin esperar años por los resultados?

La historia del artículo: Enseñando a las computadoras a adivinar las reglas

En este estudio, los investigadores Jiyeon Kim, Indukuru Ramesh Reddy y su equipo de la Universidad Nacional de Kyungpook decidieron enseñar a una computadora a ser un maestro de la regulación de tráfico. Querían construir un modelo de aprendizaje automático "informado por la física" que pudiera predecir estos complicados parámetros de Hubbard (específicamente $U_{eff}$ , $V$ y $J$ ) para los óxidos de metales de transición. En lugar de dejar que la computadora adivinara a ciegas, le dieron una hoja de trucos con pistas físicas: cosas como qué tan ancha es la "autopista" del electrón (ancho de banda) y qué tan alejados están los niveles de energía del electrón de los vecinos de oxígeno (separación del centro de la banda).

El equipo primero construyó un enorme conjunto de datos utilizando el método cRPA, que es lento y costoso, para obtener las respuestas "reales" para una variedad de materiales. Luego, entrenaron a tres tipos diferentes de detectives de aprendizaje automático (llamados Bosque Aleatorio, Gradient Boosting y XGBoost) para que aprendieran los patrones. Los resultados fueron impresionantes. El mejor detective, un modelo XGBoost, pudo predecir la repulsión en el sitio ( $U_{eff}$ ) con un error de solo 0.148 eV, la interacción con el vecino ( $V$ ) con un error de 0.062 eV, y la alineación del giro ( $J$ ) con un minúsculo error de 0.007 eV. Para ponerlo en perspectiva, el modelo es tan bueno que puede distinguir entre materiales casi tan bien como el método lento y costoso, pero en una fracción de segundo.

Pero los autores no se detuvieron solo en crear una "caja negra" que da respuestas. Querían saber por qué la computadora estaba haciendo esas conjeturas. Así que utilizaron un segundo truco llamado "búsqueda de fuerza bruta basada en regresión" (BFS). Imagina esto como tomar las mejores conjeturas de la computadora y obligarla a escribir una ecuación matemática simple que explique la lógica. Esto reveló verdades fascinantes sobre el mundo atómico:

Para la repulsión en el sitio ( $U_{eff}$ ): El modelo encontró que este valor es un tira y afloja entre qué tan "localizado" está un electrón (qué tan atrapado está a su átomo) y cuánto se mezcla con sus vecinos de oxígeno. La matemática mostró que si el electrón está más localizado (ancho de banda más estrecho) y menos mezclado con el oxígeno (mayor separación de energía), la repulsión se vuelve más fuerte. La ecuación derivada vinculó directamente estos conceptos físicos con el número final.
Para la interacción entre vecinos ( $V$ ): Esto se trataba totalmente de la estructura. El modelo sugirió que cuanto más cerca estén los átomos agrupados (compacidad estructural) y más fuerte sea la mezcla con el oxígeno, más fuerte será la interacción entre los vecinos. Curiosamente, la "localización" del electrón no importaba tanto aquí como lo hacía para la repulsión en el sitio.
Para la alineación del giro ( $J$ ): Esta fue la más simple de todas. El modelo descubrió que la alineación del giro está determinada casi por completo por la identidad del propio átomo de metal. Es como una huella dactilar; si conoces el elemento (su número atómico y grupo), puedes predecir el comportamiento del giro con una precisión increíble, independientemente de la compleja estructura que lo rodea. El modelo sugirió que, debido a que esta interacción es débilmente blindada por el entorno, el carácter natural del átomo brilla con luz propia.

Los autores enfatizan que, si bien estos modelos de aprendizaje automático son altamente precisos, no son mágicos. Están construidos sobre la base de los datos de cRPA, que sirven como la "verdad" para el entrenamiento. El estudio sugiere que, al combinar la velocidad del aprendizaje automático con los conocimientos físicos de estas ecuaciones derivadas, los científicos ahora pueden examinar miles de materiales rápidamente sin sacrificar la comprensión profunda de por qué se comportan de esa manera. Es una forma de obtener lo mejor de ambos mundos: la velocidad de una conjetura y la sabiduría de un físico.

Resumen Técnico: Aprendizaje Automático Informado por la Física para la Predicción de Parámetros de Interacción de Hubbard

Planteamiento del Problema
La determinación precisa de los parámetros de interacción de Hubbard —específicamente la interacción de Coulomb efectiva en el sitio ( $U_{eff}$ ), la interacción de Coulomb entre sitios ( $V$ ) y el acoplamiento de Hund ( $J$ )— es crítica para la aplicación de métodos más allá de la DFT (como DFT+U, DFT+DM+F y DFT+U+V) a materiales correlacionados. Aunque el ajuste empírico de estos parámetros es común, esto limita la transferibilidad. Los enfoques de primeros principios, como la aproximación de fase aleatoria restringida (cRPA), ofrecen una ruta riguroosa y transferible al tratar explícitamente el apantallamiento electrónico. Sin embargo, el alto costo computacional de los cálculos cRPA crea un cuello de botella para el cribado de materiales a gran escala. Aunque estudios recientes de aprendizaje automático (ML) han predicho parámetros de Hubbard, la predicción específica de los parámetros $U_{eff}$ , $V$ y $J$ derivados de cRPA utilizando descriptores que capturen la localización electrónica y los efectos de apantallamiento permanece en gran medida inexplorada.

Metodología
Los autores desarrollaron un marco de ML informado por la física para predecir los parámetros derivados de cRPA para un conjunto diverso de óxidos de metales de transición (TMO) con estructuras de perovskita, olivino, espinela, capas y perovskita de capas.

Generación de Datos: Se generó un conjunto de datos de $U_{eff}$ , $V$ y $J$ mediante cálculos cRPA dentro de VASP. El subespacio correlacionado (manifold TM-d) se definió mediante proyecciones de funciones de Wannier, y se excluyeron los procesos de apantallamiento asociados con estas bandas para calcular la interacción apantallada.
Construcción de Características: El estudio construyó 12 descriptores categorizados en:
- Características de la estructura electrónica: Ancho de banda TM-d ( $W$ ) y la separación de energía entre los centros de las bandas TM-d y O-p ( $D_{d-p}$ ), que representan la localización y la hibridación/apantallamiento, respectivamente.
- Características atómicas y composicionales: Número atómico ( $Z_{TM}$ ), grupo ( $G_{TM}$ ), periodo ( $P_{TM}$ ), conteo promedio de electrones d ( $n_d$ ) y estado de oxidación promedio ( $n_{ox}$ ).
- Características estructurales: Conteo de átomos en la celda unidad ( $N_{u.c}$ ), conteo de iones TM ( $TM_{u.c}$ ), longitud de enlace TM-O más corta ( $d_{TM-O}$ ), volumen por fórmula unidad ( $V_{f.u}$ ) y número de grupo espacial ($SG$).
Estrategia de Modelado: El estudio empleó una estrategia de doble enfoque:
- Aprendizaje de Conjuntos (Ensemble Learning): Se entrenaron modelos de Bosque Aleatorio (RF), Regresión de Potenciación de Gradiente (GBR) y XGBoost (XGB) utilizando Validación Cruzada de Dejar Uno Fuera (LOOCV) para identificar características clave y lograr una alta precisión predictiva.
- Búsqueda de Fuerza Bruta basada en Regresión (BFS): Para obtener expresiones analíticas explícitas, se aplicó un algoritmo de BFS. Las características primarias seleccionadas del análisis de conjunto fueron transformadas mediante 15 funciones no lineales (por ejemplo, $x, 1/x, e^x, \ln(x+1)$ ) para generar características prototípicas. Estas se combinaron multiplicativamente en características compuestas para construir modelos de regresión lineal (denotados como $mCnF$, donde $m$ es el número de características compuestas y $n$ es el número de características primarias).

Resultados Clave

Predicción de $U_{eff}$ :
- Modelos de Conjunto: XGB logró el mejor desempeño con un RMSE de 0.148 eV y un $R^2$ de 0.899 usando seis características ( $n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$ ). Un subconjunto de cuatro características ( $n_{ox}, n_d, N_{u.c}, V_{f.u}$ ) produjo un desempeño casi saturado (RMSE 0.168 eV).
- Expresiones Analíticas: El método BFS produjo fórmulas explícitas. Un modelo utilizando el conjunto motivado físicamente ( $W, D_{d-p}, n_d, V_{f.u}$ ) alcanzó un RMSE de 0.207 eV. La forma analítica derivada (Ec. 3) relaciona directamente $U_{eff}$ con la localización ( $W$ ) y la hibridación ( $D_{d-p}$ ), mostrando que $U_{eff}$ aumenta con la reducción de la hibridación (mayor $D_{d-p}$ ) y exhibe una dependencia no monotónica de $n_d$ .
Predicción de la Interacción entre Sitios $V$ :
- Modelos de Conjunto: XGB logró un RMSE de 0.062 eV ( $R^2 = 0.784$ ) usando cinco características ( $n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$ ).
- Expresiones Analíticas: El mejor modelo BFS (configuración 3C2F) utilizando el conjunto ( $n_d, N_{u.c}, V_{f.u}, P_{TM}$ ) alcanzó un RMSE de 0.071 eV. La fórmula resultante (Ec. 4) indica que $V$ está gobernado por la compacidad estructural (un menor $V_{f.u}$ y un mayor $N_{u.c}$ aumentan $V$ ) y el apantallamiento relacionado con la hibridación ( $D_{d-p}$ ), mientras que $W$ (localización) desempeña un papel mínimo.
Predicción del Acoplamiento de Hund $J$ :
- Modelos de Conjunto: $J$ fue predicho con una precisión excepcional utilizando descriptores mínimos. XGB logró un RMSE de 0.007 eV ( $R^2 = 0.989$ ) usando solo tres características ( $G_{TM}, P_{TM}, SG$ ). Incluso una sola característica ( $Z_{TM}$ ) produjo un RMSE de ~0.015 eV.
- Expresiones Analíticas: El análisis BFS confirmó que $J$ está gobernado principalmente por características atómicas intrínsecas. El mejor modelo analítico (Ec. 6) depende únicamente de descriptores elementales ( $G_{TM}$ y $P_{TM}$ ), lo que refleja la tendencia de que $J$ aumenta con la serie de los metales de transición y disminuye con el periodo, consistente con la preservación de las tendencias atómicas puras debido al débil apantallamiento en cRPA.

Significancia y Reivindicaciones
El artículo afirma proporcionar un enfoque eficiente para predecir los parámetros de Hubbard derivados de cRPA, acelerando así los flujos de trabajo de DFT+U y DFT+U+V sin depender de ajustes empíricos. Al combinar el aprendizaje de conjuntos con BFS, el estudio logra tanto una alta precisión predictiva como interpretabilidad física.

Los autores enfatizan que su marco ofrece conocimientos físicos específicos:

$U_{eff}$ está directamente vinculado a la competencia entre la localización electrónica y la hibridación TM-d/O-p.
$V$ está determinado principalmente por el apantallamiento relacionado con la hibridación y la compacidad estructural, más que por la localización orbital.
$J$ está gobernado casi enteramente por las propiedades atómicas intrínsecas del ion de metal de transición, ya que el apantallamiento de cRPA es débil para este parámetro.

El estudio concluye que este marco de ML informado por la física proporciona una ruta práctica para identificar las relaciones descriptor-propiedad en óxidos correlacionados y ofrece fórmulas analíticas explícitas que pueden aplicarse a nuevos materiales sin requerir acceso a los datos de entrenamiento originales o cálculos complejos de cRPA.

Más como este