Integration of a Structural Coherence Model with a Semi-Universal Machine Learning Interatomic Potential to Predict Molten Salt Thermal Conductivity

Resumen Técnico: Integración de un Modelo de Coherencia Estructural con un Potencial Interatómico de Aprendizaje Automático Semi-Universal para Predecir la Conductividad Térmica de Sales Fundidas

Planteamiento del Problema
El diseño preciso y la operación segura de sistemas de generación de energía que utilizan sales fundidas, particularmente Reactores de Sales Fundidas (MSR, por sus siglas en inglés), requieren la caracterización precisa de las propiedades termofísicas con baja incertidumbre. Mientras que las sales de nitrato están bien caracterizadas, las sales de haluro (cloruros y fluoruros) presentan desafíos significativos debido a sus altas temperaturas de fusión, corrosividad y complejidad composicional. Los datos experimentales para la conductividad térmica ($k$) son escasos; por ejemplo, de 976 composiciones de sales en la Base de Datos de Sales Fundidas, solo 32 tienen mediciones registradas de conductividad térmica, con una incertidumbre promedio del 18%.

Los métodos computacionales existentes para llenar estos vacíos de datos enfrentan compromisos. La Dinámica Molecular (MD) clásica utilizando potenciales empíricos a menudo carece de la precisión requerida para sales complejas, mientras que la MD ab initio (AIMD) y los métodos estándar de MD para la conductividad térmica (Green-Kubo, MD de No Equilibrio) son computacionalmente prohibitivos para sistemas grandes o escalas de tiempo largas. Además, los modelos analíticos como el Modelo de Teoría Cinética (KTM) a menudo dependen de supuestos simplificados respecto a los caminos libres medios de los portadores de energía, lo que conduce a subestimaciones. Existe una necesidad crítica de una metodología que puentee la precisión de las simulaciones de primeros principios con la eficiencia computacional de los modelos analíticos para predecir la conductividad térmica a través de diversas composiciones de sales.

Metodología: El Enfoque ISM (Integrated SCM-MLIP)
Los autores proponen un flujo de trabajo de Integración de Coherencia Estructural y Potencial Interatómico de Aprendizaje Automático (ISM). Este enfoque combina un Potencial Interatómico de Aprendizaje Automático (MLIP) semi-universal, específicamente "SuperSalt", con un Modelo de Coherencia Estructural (SCM) basado en la teoría cinética generalizada.

El flujo de trabajo predice la conductividad térmica en la temperatura de fusión ($k_{Tm}$) utilizando la expresión de la teoría cinética:
$$k = \frac{1}{3} C_p v_s \ell_{sc}$$
donde $C_p$ es la capacidad calorífica volumétrica, $v_s$ es la velocidad de sonido adiabática y $\ell_{sc}$ es la longitud de coherencia estructural (reemplazando el tradicional camino libre medio).

El flujo de trabajo ISM procede de la siguiente manera:

1. Predicción de Densidad: La densidad ($\rho$) se calcula utilizando un modelo de Redlich-Kister donde existen datos experimentales, o mediante simulaciones de MD de SuperSalt en otros casos, ya que la densidad es un insumo crítico para $C_p$ y $v_s$.
2. Generación de Propiedades vía MD de SuperSalt: Utilizando el MLIP SuperSalt (una red neuronal de Expansión de Clústeres Atómicos de Capas Múltiples), el modelo ejecuta simulaciones de MD en paralelo para determinar:
   • Capacidad Calorífica Volumétrica ($C_p$): Derivada de los cambios de entalpía a través de barridos de temperatura en un ensamble NPT.
   • Velocidad de Sonido Adiabática ($v_s$): Calculada mediante el método de fluctuación de estrés de Bryk, que relaciona la velocidad del sonido con la varianza del estrés virial.
   • Función de Distribución de Pares Parcial (pPDF): Generada para caracterizar el orden de corto alcance de la sal fundida.
   • Módulo de Compresibilidad Isotérmico ($K_T$): Calculado para soportar la extrapolación de temperatura.
3. Longitud de Coherencia Estructural ($\ell_{sc}$): La pPDF es analizada mediante el algoritmo SCM. Este modelo cuantifica el grado de coherencia estructural evaluando factores de decoherencia, incluyendo un factor de transferencia de fonones ($b_{PH}$) que contabiliza la interrupción de la transferencia de energía vibracional entre cadenas de cationes y aniones disímiles.
4. Extrapolación de Temperatura: Para predecir $k$ a temperaturas superiores al punto de fusión, el modelo utiliza la Función de Dependencia de Temperatura de Gheribi (GTDF), que extrapola $k_{Tm}$ utilizando el parámetro de Gruneisen derivado de $C_p$, $K_T$ y el coeficiente de expansión térmica ($\alpha$).

Contribuciones Clave y Resultados

• Eficiencia Computacional: El modelo ISM logra una reducción significativa en el costo computacional en comparación con la MD de No Equilibrio Inversa (RNEMD) utilizando el mismo potencial SuperSalt. Una predicción completa de ISM toma aproximadamente 3 horas en tres GPUs H200, mientras que una simulación equivalente de RNEMD requiere un promedio de 60 horas en una sola GPU. Esto representa una aceleración de 1 a 2 órdenes de magnitud.
• Precisión y Validación:
  • El modelo fue probado en sales unarias, mezclas binarias (NaCl-KCl, MgCl$_2$-KCl) y mezclas ternarias.
  • Para sales unarias y algunas mezclas, las predicciones de ISM se alinean estrechamente con los datos experimentales y las predicciones previas de SCM.
  • NaCl-KCl: El modelo captura exitosamente las tendencias a través de las composiciones, pero predice un mínimo en la conductividad térmica en el punto eutéctico que es más profundo que las observaciones experimentales. Esta discrepancia se atribuye al factor de transferencia de fonones ($b_{PH}$), que puede sobreestimar la decoherencia en mezclas con masas iónicas similares.
  • MgCl$_2$-KCl: El modelo predice una velocidad de sonido adiabática ($v_s$) más baja para las sales que contienen Mg en comparación con algunos valores de la literatura (por ejemplo, las predicciones EMD de Gheribi), lo que resulta en predicciones de $k$ más bajas. Los autores sugieren que esto puede reflejar el orden de rango intermedio único de los complejos de Mg$^{2+}$ en lugar de un fallo del MLIP.
  • Mezclas de Alta Entropía: El modelo se aplicó a una mezcla hipotética de 11 cationes denominada "Big". Aunque las predicciones fueron plausibles, se observó una alta varianza en $v_s$, lo que sugiere que los sistemas altamente desordenados pueden requerir más ensayos de simulación o tamaños de sistema más grandes para converger.
• Dependencia de la Temperatura: La extrapolación GTDF mostró una concordancia cercana con las predicciones discretas de ISM para KCl, pero exhibió una pendiente de dependencia de temperatura más fuerte que las correlaciones experimentales, lo que indica la necesidad de un mayor refinamiento del mecanismo de escalado de temperatura.

Significancia y Reivindicaciones
El artículo presenta la metodología ISM como una prueba de concepto que demuestra que la integración de un modelo de coherencia estructural con MLIPs semi-universales puede predecir la conductividad térmica de sales fundidas dentro de las incertidumbres experimentes actuales a una fracción del costo computacional de los métodos tradicionales de MD.

Los autores afirman que este enfoque permite la investigación sistemática de la conductividad térmica a través de una amplia variedad de composiciones de sales, incluyendo aquellas con actínidos o mezclas complejas de alta entropía donde los datos experimentales son inexistentes. Al reducir la barrera computacional, el modelo ISM ofrece una vía para poblar las bases de datos de propiedades termofísicas necesarias para la implementación segura de sales fundidas en sistemas de generación de energía. Los autores mantienen la modestia respecto a las limitaciones actuales, señalando específicamente la varianza en las prediciones de la velocidad del sonido para las sales que contienen magnesio y la necesidad de un mayor refinamiento del factor de transferencia de fonones ($b_{PH}$) para capturar mejor los matices de la transferencia de energía vibracional en sistemas de cationes mixtos. El trabajo concluye que, si bien el modelo es un paso significativo hacia adelante, se requieren estudios experimentales y computacionales dirigidos para resolver las incertidumbres restantes en las mediciones de conductividad térmica y velocidad del sonido.