Resumen Técnico: Operadores Neuronales de Fourier para el Descubrimiento de Estructuras Cristalinas Basado en Composición

1. Planteamiento del Problema

El descubrimiento de nuevos materiales cristalinos es crítico para los avances en energía, electrónica y catálisis. Sin embargo, el vasto espacio combinatorio de elementos químicos, estequiometrías y estructuras cristalinas hace que el cribado experimental o computacional exhaustivo sea inviable. Los métodos tradicionales de Predicción de Estructura Cristalina (CSP), como los algoritmos genéticos y la optimación por enjambre de partículas, dependen de evaluaciones iterativas de la Teoría del Funcional de la Densidad (DFT), las cuales son computacionalmente costosas y escalan pobremente con el tamaño del sistema.

Si bien los modelos generativos profundos ofrecen una alternativa prometedora al aprender la distribución subyacente de las estructuras cristalinas, los enfoques basados en vóxeles existentes enfrentan dos limitaciones fundamentales:

1. Campos Receptivos Locales: Las Redes Neuronales Convolucionales (CNN) 3D estándar tienen dificultades para capturar las dependencias periódicas de largo alcance inherentes a los campos de densidad cristalina, ya que principalmente agregan información de vecindades locales.
2. Colapso de la Posterior (Posterior Collapse): La alta dimensionalidad de las representaciones de vóxeles (por ejemplo, rejillas de $N \times N \times N$) causa que el término de reconstrucción domine los objetivos del Autocodificador Variacional (VAE), lo que conduce a un colapso de la posterior donde el espacio latente no logra alinearse con la distribución previa (prior), resultando en generaciones de baja calidad e insuficientemente diversas.

2. Metodología: CrystalFNO

Los autores proponen CrystalFNO, un marco acoplado de generación-resolución que desacopla la generación de parámetros de red de la predicción del campo de densidad cristalina. El flujo de trabajo consta de cuatro etapas secuenciales:

A. Representación de Vóxeles

Las estructuras cristalinas se representan como campos de densidad continuos en una rejilla de $32 \times 32 \times 32$ bajo condiciones de contorno periódicas. Se definen dos campos:

• Campo de Densidad Numérica ($\rho_{num}$): Codifica la distribución espacial de los átomos independientemente del tipo de elemento, utilizado para la localización atómica.
• Campo de Densidad Electrónica ($\rho_{Z}$): Codifica tanto la información posicional como la elemental (ponderada por el número atómico), utilizado para la asignación de elementos.

B. Generación de Parámetros de Red (CVAE)

Un Autocodificador Variacional Condicional (CVAE) genera parámetros de red candidatos ($L = \{a, b, c, \alpha, \beta, \gamma\}$) condicionados por una fórmula química ($F$).

• Restricciones de Simetría: Para asegurar la definición positiva y la consistencia con las simetrías cristalográficas, los parámetros de red se codifican en un vector de coeficientes de seis dimensiones utilizando una estrategia de descomposición de base simétrica.
• Generación: El CVAE muestrea de un espacio latente de baja dimensión para producir parámetros de red diversos sin modelar directamente el espacio de vóxeles de alta dimensión.

C. Predicción del Campo de Densidad (Solucionador FNO)

Un Operador Neuronal de Fourier (FNO) actúa como un solucionador de campos cristalinos, mapeando la fórmula química y los parámetros de red generados hacia los campos correspondientes de $\rho_{num}$ y $\rho_{Z}$.

• Arquitectura: El solucionador emplea una estructura de doble rama dentro de las capas de Fourier:
  • Rama de Frecuencia: Utiliza la Transformada Rápida de Fourier (FFT) 3D, convoluciones espectrales aprendibles e IFFT para capturar correlaciones periódicas globales y dependencias de largo alcance.
  • Rama Espacial: Utiliza convoluciones 3D para extraer características locales a escala atómica.
• Codificación de Entrada: Las fórmulas químicas se codifican mediante vectores one-hot ponderados, mientras que los parámetros de red pasan por una codificación de características de Fourier para capturar variaciones de alta frecuencia.
• Entrenamiento: Se entrenan dos modelos FNO independientes (uno para cada campo de densidad) utilizando pérdida L1.

D. Reconstrucción de Estructura y Cribado

Los campos de densidad predichos se convierten nuevamente en estructuras atómicas ($M = \{A, X, L\}$) mediante una optimización de tres etapas:

1. Detección de Picos: Identifica las posiciones atómicas candidatas como máximos locales de $\rho_{num}$ usando supresión de no-máximos.
2. Optimización de Posición: Refina las coordenadas atómicas mediante el descenso de gradiente para minimizar la discrepancia entre la densidad reconstruida y la predicha.
3. Optimación de Pesos: Asigna tipos de elementos optimizando los pesos para ajustarse a $\rho_{Z}$.

Pipeline de Cribado:

1. Filtrado a Nivel de Vóxel: Los candidatos se clasifican según la pérdida L1 entre los campos de densidad predichos y reconstruidos.
2. Relajación DPA: Los mejores candidatos se someten a relajación utilizando el potencial interatómico de aprendizaje automático Deep Potential Atomistic (DPA) para optimizar la geometría y las fuerzas.
3. Validación: Las estructuras se criban basándose en la variación de la celda unidad, RMSD y la tasa de coincidencia de elementos. Los candidatos finales se evalúan según su energía de formación.

3. Resultados Clave

A. Precisión de la Predicción del Campo de Densidad

• El solucionador FNO logró una convergencia estable con pérdidas de validación bajas ($\approx 1.5 \times 10^{-5}$).
• La precisión de la predicción se correlaciona con la simetría del cristal: los sistemas de alta simetría (cúbicos) mostraron los errores más bajos ($\approx 6.15 \times 10^{-6}$), mientras que los sistemas de baja simetría (triclínicos) exhibieron errores más altos ($\approx 2.36 \times 10^{-5}$).
• Análisis de Limitaciones: Los autores identifican la tarea de predicción del campo de densidad como un problema inverso mal planteado. Entradas idénticas (fórmula + red) pueden corresponder a múltiples campos de densidad distintos debido a la traslación global, transformaciones de simetría discreta y polimorfismo. Como modelo determinista, el FNO aprende un mapeo "típico", lo que lleva a desviaciones sistemáticas en casos que se desvían de la distribución de entrenamiento.

B. Reconstrucción de Estructura

• La precisión de la reconstrucción varía según el sistema cristalino. Los sistemas cúbicos lograron el mejor desempeño (RMSE = 0.247 Å, tasa de coincidencia = 90.5%), mientras que los sistemas monoclínicos mostraron los mayores errores posicionales (RMSE = 1.195 Å).
• Bajo criterios combinados (RMSE $\le$ 1.0 Å y tasa de coincidencia de elementos $\ge$ 60%), solo el 53.3% de las estructuras fueron recuperadas con éxito, lo que resalta la dificultad de reconstruir estructuras completas únicamente a partir de campos de densidad.

C. Generación de Extremo a Extremo (End-to-End)

• El marco fue probado en 104 fórmulas químicas.
• De 43,686 candidatos generados, 3,663 pasaron el cribado geométrico y energético.
• Tras la deduplicación contra la base de datos Materials Project, se identificaron 320 estructuras novedosas, que cubren 104 fórmulas químicas distintas.
• El 55.9% de estos candidatos novedosos exhibieron energías de formación negativas respecto a los estados de referencia elementales, indicando favorabilidad energética.

4. Significancia y Reivindicaciones

El artículo afirma presentar la primera aplicación de Operadores Neuronales de Fourier como solucionadores de campos cristalinos dentro de un marco de generación de estructuras cristalinas basado en vóxeles.

• Escalabilidad: Al separar la generación de la red de la prediccción de la densidad y utilizar convoluciones espectrales globales, el enfoque aborda las limitaciones de las CNN locales y los VAE de alta dimensión, proporcionando una ruta escalable para el descubrimiento de cristales a partir de composiciones prescritas.
• Diversidad Generativa: La estrategia acoplada de generación-resolución logra generar estructuras diversas, geométricamente razonables y energéticamente estables a través de una amplia gama de fórmulas químicas y sistemas cristalinos.
• Contribución Metodológica: El trabajo demuestra que extender los operadores neuronales de Fourier a campos cristalinos periódicos, cuando se acoplan con la generación de redes condicionada por la composición, captura eficazmente las correlaciones de largo alcance y permite el descubrimiento de nuevos materiales sin el costo computacional de las búsquedas iterativas de DFT para cada candidato.

Los autores mantienen la modestia respecto a la naturaleza mal planteada del problema inverso, señalando que el solucionador FNO determinista produce un único mapeo "típico", lo que puede limitar el desempeño en polimorfos raros o operaciones de simetría no estándar. Sugieren que mejoras futuras podrían incluir el enriquecimiento de las condiciones de entrada (por ejemplo, posición del centro de masa o información de simetría) para distinguir mejor entre múltiples configuraciones válidas.