🔬 materials science

Development of a Physics-Informed Neural Framework, MEOWN, for Rapid Prediction of Muon Stopping Sites in Crystalline Materials, for understanding Quantum Magnet employing Muon Spectroscopy

El artículo presenta MEOWN, un marco de aprendizaje automático informado por la física que predice de forma rápida y precisa los sitios de parada de muones en materiales cristalinos mediante la combinación de modelado electrostático con optimización impulsada por la simetría, ofreciendo una alternativa computacionalmente eficiente a los métodos tradicionales de la teoría del funcional de la densidad para el estudio del magnetismo cuántico.

Autores originales: A. Pandey, K. Sharma, S. Ghosh, G. Roy, T. Basu

Publicado 2026-09-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: A. Pandey, K. Sharma, S. Ghosh, G. Roy, T. Basu

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

Para comprender los secretos magnéticos ocultos en los nuevos materiales cuánticos, los científicos suelen utilizar una partícula diminuta y fugaz llamada muón. Imagine disparar un flujo de estas partículas con carga positiva hacia un cristal sólido. Estas se frenan casi instantáneamente y se detienen en un punto vacío específico entre los átomos de la red cristalina. Una vez asentado, el muón actúa como una aguja de brújula microscópica, girando en respuesta al campo magnético local generado por los átomos circundantes. Al observar cómo cambia este giro con el tiempo, los investigadores pueden mapear el orden magnético, la superconductividad y otros comportamientos complejos que son invisibles para otras herramientas. Sin embargo, para leer este mapa correctamente, los científicos deben saber exactamente dónde se detuvo el muón. Si adivinan el lugar equivocado, su interpretación de los datos magnéticos se vuelve ambigua, lo que podría conducir a un malentendido de la verdadera naturaleza del material.

Durante décadas, la forma estándar de encontrar estos puntos de parada ha sido utilizar potentes simulaciones por computadora basadas en las leyes de la mecánica cuántica. Estos cálculos son increíblemente precisos pero también dolorosamente lentos y costosos, requiriendo a menudo días de tiempo de computación para un solo material. Este cuello de botella ha dificultado el cribado rápido de nuevos materiales o el análisis de datos en tiempo real. Un equipo de investigadores de la India ha desarrollado ahora un nuevo enfoque que evita esta lentitud sin sacrificar la precisión. Crearon una herramienta llamada MEOWN, que combina las leyes conocidas de la física con un tipo de inteligencia artificial para predecir dónde se detendrá un muón en un cristal en solo unos pocos minutos.

Los investigadores construyeron MEOWN para comprender las fuerzas que guían a un muón hacia su lugar de reposo. Sabían que el muón es atraído por las cargas negativas en el cristal, repelido por las nubes de electrones e influenciado por la forma en que los átomos del cristal se desplazan ligeramente para acomodarlo. En lugar de intentar calcular cada interacción desde cero, que es lo que hacen los métodos tradicionales lentos, MEOWN utiliza una estrategia "informada por la física". Esto significa que el software no solo está adivinando basándose en patrones; se le han enseñado las reglas fundamentales de cómo interactúan la electricidad y los átomos. El sistema toma un modelo digital de un cristal, lo llena con estas reglas físicas y luego utiliza una red neuronal ligera —una forma simple de inteligencia artificial— para escanear toda la estructura. La red actúa como un detector de alta velocidad, resaltando las regiones más probables donde el muón se asentaría basándose en el paisaje de energía creado por las fuerzas físicas.

Para probar si este método rápido funcionaba, el equipo lo aplicó a una variedad de materiales bien conocidos, incluyendo un imán metálico llamado MnSi y varios cristales iónicos como el fluoruro de calcio y el fluoruro de litio. En cada caso, el software identificó con éxito los puntos de parada correctos y calculó los campos magnéticos en esas ubicaciones. Por ejemplo, en el material fluoruro de cobalto, el programa predijo una intensidad de campo magnético de 0,277 Tesla, lo cual es extremadamente cercano a los 0,265 Tesla encontrados por los métodos computacionales lentos y tradicionales, y se alinea bien con las mediciones experimentales reales. El software logró este nivel de precisión en menos de unos pocos minutos en una computadora de escritorio estándar, una tarea que típicamente tomaría mucho más tiempo con las técnicas convencionales.

Los resultados muestran que MEOWN puede servir como un primer paso rápido y fiable para los científicos que estudian materiales cuánticos. No reemplaza los cálculos profundos y detallados necesarios para la confirmación final, pero permite a los investigadores reducir rápidamente las posibilidades y centrar sus esfuerzos en los candidatos más prometedores. Al incrustar las leyes de la física directamente en el proceso de aprendizaje, el equipo creó una herramienta que es tanto rápida como científicamente rigurosa. Este enfoque abre la puerta al análisis de una gama mucho más amplia de materiales y podría acelerar el descubrimiento de nuevos fenómenos cuánticos, convirtiendo un proceso que antes tomaba días en uno que toma minutos.

Resumen Técnico: Marco de Trabajo MEOWN para la Predicción del Sitio de Parada del Muón

Planteamiento del Problema
La rotación/relajación de espín de muón ( $\mu$ SR) es una sonda microscópica crítica para investigar el orden magnético, la dinámica de espín y la superconductividad en materiales cuánticos. Sin embargo, la interpretación cuantitativa de los datos de $\mu$ SR depende fundamentalmente de la identificación del sitio de parada de equilibrio del muón dentro de una red cristalina. Tradicionalmente, esta identificación se realiza mediante la relajación estructural basada en la Teoría del Funcional de la Densidad (DFT). Aunque es precisa, las aproximaciones convencionales de DFT son computacionalmente exigentes, lentas y requieren una experiencia significativa, particularmente para superceldas grandes, cristales de baja simetría o sistemas fuertemente correlacionados. Las herramientas de software existentes (por ejemplo, MuESR, muFinder) suelen heredar estos altos costos computacionales, lo que limita su utilidad para el análisis rápido de datos y el cribado de materiales de alto rendimiento.

Metodología: El Marco de Trabajo MEOWN
Los autores presentan MEOWN (Muon Engine for Optimized Weighted Networks), un marco de aprendizaje automático informado por la física diseñado para predecir sitios de parada de muones energéticamente favorables con un costo computacional sustancialmente reducido. El marco integra la física de primeros principios con una arquitectura de aprendizaje profundo ligera a través de los siguientes componentes:

Representación de Entrada Informada por la Física:
En lugar de depender únicamente de descriptores geométricos, MEOWN construye una rejilla de vóxeles 3D (48 $\times$ 4 par $\times$ 48) que contiene cuatro canales de entrada basados en la física derivados de un modelo de Potencial Electrostático No Perturbado Polarizable (P-UEP):
- Energía de interacción negativa ( $-V_{Total}$ ).
- Potencial de Coulomb de los núcleos iónicos ( $1/q_i r_i$ ).
- Potencial de polarización ( $V_{Pol}$ ).
- Campo de distancia mínima ( $d_{min}$ ).
  El modelo P-UEP incorpora explícitamente los potenciales de Hartree/intercambio-correlación, el apantallamiento electrónico de Thomas-Fermi, el amortiguamiento de polarización de Tang-Toennies, la repulsión de solapamiento de Born-Mayer y las correcciones de la energía del punto cero (ZPE).
Arquitectura de la Red Neuronal:
Una red neuronal convolucional 3D (3D-CNN) ligera con menos de 5,000 parámetros entrenables procesa el tensor de entrada. La red consiste en cuatro capas convolucionales sucesivas (progresión de canales: 4 $\to$ 16 $\to$ 32 $\to$ 16 $\to$ 1) con normalización por lotes (batch normalization) y activación ReLU. La CNN genera un mapa de probabilidad 3D que indica las regiones que probablemente albergarán sitios estables de muones.
Semilla Híbrida y Optimización:
Los sitios candidatos se generan mediante una estrategia de múltiples etapas que combina:
- Máximos de Probabilidad de la CNN: Regiones de alta probabilidad de la red.
- Semillas Guiadas por la Física: Posiciones intersticiales de alta simetría (centro del cuerpo, centro de la cara, etc.) y semillas informadas químicamente (por ejemplo, cerca de aniones electronegativos, puentes específicos como F–F en fluoruros).
  Estos candidatos son filtrados por simetría cristalográfica y criterios de distancia mínima, y luego se refinan utilizando la optimación L-BFGS-B sobre la superficie de potencial P-UEP.
Restricciones de Simetría:
El marco utiliza explícitamente la simetría cristalográfica (mediante la biblioteca spglib) para reducir el espacio de búsqueda. Los gradientes de energía y las matrices Hessianas se proyectan sobre el subespacio permitido por la simetría para asegurar que los sitios relajados permanezcan consistentes con el grupo espacial del cristal huésped.
Entrenamiento e Implementación:
El modelo se entrena mediante un enfoque autosupervisado donde el potencial objetivo se genera directamente por el motor físico P-UEP, eliminando la necesidad de conjuntos de datos etiquetados manualmente. La función de pérdida minimiza el Error Cuadrático Medio (MSE) entre el potencial predicho por la CNN y el potencial del motor físico. El software está implementado en Python utilizando PyTorch para la red neuronal y NumPy/SciPy para el motor físico, soportando la ejecución tanto en CPU como en GPU.

Contribuciones Clave

Desarrollo de MEOWN: Un marco de software de propósito general que combina un modelo físico P-UEP con una 3D-CNN para predecir sitios de parada de muones.
Aprendizaje Informado por la Física: Incorporación explícita de interacciones electrostáticas, de apantallamiento, de polarización y mecánicas cuánticas en el flujo de trabajo de aprendizaje, asegurando la interpretabilidad física y la consistencia sin depender del ajuste de datos de "caja negra".
Eficiencia Computacional: El marco logra una aceleración significativa respecto a los métodos de DFT convencionales, completando todo el flujo de trabajo de predicción (desde el archivo CIF hasta los sitios clasificados) en pocos minutos en una computadora de escritorio estándar.
Flujo de Trabajo Automatizado: Un proceso totalmente automatizado que requiere únicamente un Archivo de Información Cristalina (CIF) como entrada, sin necesidad de posiciones iniciales definidas por el usuario.

Resultados y Validación
El marco fue validado contra un conjunto diverso de materiales de referencia, incluyendo el helimagneto metálico MnSi y fluoruros iónicos CoF $_2$ , CaF $_2$ , LiF y NaF.

Precisión: Los sitios de parada predichos, las posiciones de Wyckoff y los campos magnéticos dipolares locales mostraron una estrecha concordancia con los datos experimentales reportados previamente y los resultados de DFT+ $\mu$ $μ$ .
- Para CoF $_2$ , MEOWN predijo un campo dipolar local de 0.277 T, comparado con un valor de DFT+ $\mu$ de 0.265 T (desviación del 3.5%) y un valor experimental de 0.228 T.
- Para MnSi, el sitio predicho en coordenadas fraccionarias (0.55, 0.55, 0.55) con un campo de 0.123 T coincidió con los hallazgos teóricos y experimentales establecidos.
Transferibilidad: El modelo generalizó con éxito a través de sistemas químicamente distintos (metálicos vs. iónicos) sin parámetros de ajuste específicos para cada material.
Velocidad: El proceso completo para los materiales de referencia se completó en menos de unos pocos minutos, contrastando con las horas o días que típicamente requieren las relajaciones estructurales repetidas de DFT.

Significancia y Reivindicaciones
El artículo posiciona a MEOWN no como un reemplazo para los cálculos de primeros principios totalmente consistentes, sino como un marco de trabajo intermedio computacionalmente eficiente. Su significancia principal radica en:

Cribado Rápido: Permite la identificación rápida de sitios de parada de muones físicamente plausibles antes de los costosos cálculos de DFT, facilitando el cribado de materiales de alto rendimiento.
Accesibilidad: Proporciona una herramienta fácil de usar que requiere un conocimiento mínimo de análisis de DFT, haciendo que la interpretación de los datos de $\mu$ SR sea más accesible.
Rigor Físico: Demuestra que la incorporación de principios físicos establecidos en el aprendizaje automático puede producir predicciones interpretables, robustas y precisas manteniendo el rigor científico.

Los autores concluyen que MEOWN ofrece un equilibrio práctico entre velocidad computacional y precisión física, sirviendo como una herramienta valiosa para la comunidad de $\mu$ SR en el estudio de materiales cuánticos magnéticos, superconductores y complejos.

Más como este