XtalOpt Version 14: Variable-Composition Crystal Structure Search for Functional Materials Through Pareto Optimization

Cet article présente XtalOpt Version 14, un algorithme multi-objectif évolutionnaire amélioré qui utilise l'optimisation de Pareto et intègre divers potentiels computationnels pour prédire efficacement les structures cristallines à l'état fondamental avec des compositions variables pour les matériaux fonctionnels.

L'essentiel

Imaginez que vous êtes un chef étoilé tentant de découvrir la recette parfaite pour un nouveau plat. Vous voulez trouver la version absolue d'un repas qui soit non seulement délicieuse (stable) mais qui possède également des qualités spécifiques, comme être faible en calories ou riche en protéines (propriétés fonctionnelles).

Ce document présente XtalOpt Version 14, un programme informatique sophistiqué qui agit comme l'assistant d'un super-chef. Son rôle est d'inventer, de tester et de perfectionner automatiquement des millions de "recettes" de cristaux potentielles (des structures composées d'atomes) pour trouver les meilleures.

Voici comment cette nouvelle version fonctionne, expliquée à travers des analogies simples :

1. La grande mise à niveau : Cuisiner avec des ingrédients variables

Par le passé, ce programme était comme un chef qui ne pouvait cuisiner qu'un plat spécifique avec une quantité fixe d'ingrédients (par exemple, exactement 2 œufs et 1 tasse de farine). Si vous vouliez voir ce qui se passait avec 3 œufs, vous deviez recommencer toute une nouvelle recherche.

La Version 14 est différente. Elle peut désormais cuisiner avec des ingrédients variables. Elle peut mélanger et assortir différentes quantités d'éléments (comme remplacer 2 œufs par 3, ou 1 tasse de farine par 2) pour voir quelle combinaison crée le meilleur plat. Elle ne cherche pas seulement le "gâteau à 2 œufs" parfait ; elle explore l'ensemble du garde-manger pour trouver le meilleur gâteau, quel que soit le ratio exact des ingrédients.

2. La stratégie "Pareto" : Trouver les meilleurs compromis

Lorsque l'on recherche un nouveau matériau, on a souvent des objectifs contradictoires. Vous pourriez vouloir un matériau qui soit à la fois très dur et très léger. Généralement, rendre quelque chose plus dur le rend plus lourd.

La nouvelle version utilise une stratégie appelée Optimisation de Pareto. Imaginez que vous fassiez du shopping pour une voiture. Vous voulez qu'elle soit rapide, économique et sûre.

• L'ancienne méthode : Vous essayiez de combiner cela en un seul "score" (par exemple, Vitesse + Coût + Sécurité = 100 points). Cela forçait souvent à choisir une voiture "moyenne" qui n'était excellente en rien.
• La nouvelle méthode (Pareto) : Le programme trouve une liste de voitures "les meilleures de leur catégorie" où l'on ne peut pas améliorer une caractéristique sans en nuire à une autre. Il vous offre un menu d'options de haut niveau : "Voici la voiture la plus rapide", "Voici la moins chère" et "Voici la plus sûre". Cela aide les scientifiques à voir tous les meilleurs compromis possibles sans imposer un choix unique et arbitraire.

3. La cuisine génétique : Mélanger et assortir les recettes

Le programme utilise une approche "évolutionnaire", similaire à la façon dont la nature fait évoluer les espèces. Il commence avec une population de structures cristallines aléatoires et tente de faire "reproduire" les meilleures.

• Crossover (Croisement/Mélange) : Il prend deux structures parentes et les découpe pour les mélanger, comme si l'on épissait deux brins d'ADN. La nouvelle version peut désormais découper les parents en plusieurs endroits (comme couper une miche de pain en plusieurs tranches et échanger les morceaux) pour créer des descendants plus diversifiés.
• Nouvelles mutations (Les chefs "Permutomic" et "Permucomp") :
  • Permutomic : C'est comme un chef qui ajoute ou retire aléatoirement un seul ingrédient (un atome) pour voir si le goût s'améliore.
  • Permucomp : C'est un chef qui change complètement la liste des ingrédients de la recette (la composition) pour essayer quelque chose de totalement nouveau.
  • Note : Ces nouveaux "chefs" ne fonctionnent que lorsque le programme est autorisé à modifier les ratios d'ingrédients (Composition Variable).

4. Utiliser des "papilles gustatives IA" (Apprentissage automatique)

Traditionnellement, tester si une structure cristalline est stable nécessitait de lancer des simulations de physique extrêmement lentes et lourdes (comme utiliser un four géant et lent pour cuire chaque gâteau).

XtalOpt 14 dispose désormais d'un script d'interface spécial qui permet au programme d'utiliser des Potentiels d'Apprentissage Automatique (Machine Learning Potentials). Considérez cela comme le fait de donner au chef des "papilles gustatives IA". Au lieu de cuire chaque gâteau dans un vrai four, l'IA peut prédire instantanément si un gâteau sera bon en fonction de ses ingrédients. Cela permet au programme de tester des milliers de recettes dans le temps qu'il fallait auparavant pour en tester seulement quelques-unes, rendant la recherche de nouveaux matériaux beaucoup plus rapide.

5. Garder la cuisine propre (Vérification de similitude)

Dans une recherche massive, le programme pourrait accidentellement créer la même recette deux fois, ou deux recettes presque identiques (comme un gâteau qui est juste légèrement pivoté).

La nouvelle version possède une meilleure vérification de similitude. Au lieu de regarder seulement la liste des ingrédients, elle regarde la "forme" du gâteau. Si deux structures sont trop similaires (comme des jumeaux), le programme les marque afin de ne pas perdre de temps à tester la même chose deux fois. Elle utilise une "empreinte digitale" mathématique (appelée Fonction de Distribution Radiale) pour déterminer si deux structures sont réellement différentes.

6. La carte de la "Coque Convexe" (Convex Hull)

Pour savoir si une recette est une "gagnante", le programme vérifie son énergie par rapport à une carte appelée Coque Convexe (Convex Hull).

• Imaginez une carte où les points les plus bas représentent les cristaux les plus stables et parfaits.
• Le programme calcule la distance entre une nouvelle structure et ce "point le plus bas". Si elle est très proche du fond, c'est un matériau stable et prometteur. Si elle est haute sur une colline, elle est instable et risque de s'effondrer.

Résumé

XtalOpt Version 14 est un outil puissant et open-source qui aide les scientifiques à découvrir de nouveaux matériaux. Il est plus rapide et plus intelligent qu'avant car il :

1. Peut mélanger et assortir différents ratios d'ingrédients (Composition Variable).
2. Trouve les meilleurs compromis entre différents objectifs (Optimisation de Pareto).
3. Utilise l'IA pour accélérer le processus de test (Potentiels d'Apprentissage Automatique).
4. Possède de meilleurs outils pour éviter de répéter le même travail (Vérifications de Similitude).

Il est conçu pour aider les chercheurs à trouver efficacement les "recettes parfaites" pour la prochaine génération de matériaux fonctionnels, des meilleures batteries aux métaux plus résistants.

Résumé technique

Résumé Technique : XtalOpt Version 14

Énoncé du Problème
La découverte de nouveaux matériaux fonctionnels nécessite une navigation efficace à travers les surfaces d'énergie potentielle (SEP) complexes au sein de vastes espaces chimiques et structurels. Les méthodes traditionnelles de prédiction des structures cristallines (CSP) reposent souvent sur des recherches à composition fixe ou sur une optimisation globale à objectif unique, ce qui peut limiter la découverte de phases (méta)stables avec des stœchiométries variables ou des propriétés cibles spécifiques. Bien que les potentiels interatomiques basés sur l'apprentissage automatique (ML) et les potentiels interatomiques universels (UIP) offrent des capacités de haut débit, les algorithmes évolutionnaires existants manquent souvent d'intégration native pour les recherches à composition variable (VC) et l'optimisation globale multi-objectif (MOGO) utilisant l'optimisation de Pareto. De plus, la gestion du coût computationnel de l'exploration de compositions diverses tout en maintenant la diversité structurelle et en évitant les évaluations dupliquées reste un défi.

Méthodologie
XtalOpt Version 14 introduit une mise à jour complète de son cadre d'optimisation globale multi-objectif évolutionnaire, spécifiquement conçue pour gérer les recherches à composition variable. Le flux de travail central consiste à générer une population initiale de structures basée sur des formules chimiques définies par l'utilisateur, à effectuer une relaxation structurelle locale, puis à appliquer de manière itérative des opérations génétiques pour faire évoluer la population.

Les composantes méthodologiques clés incluent :

• Recherche à Composition Variable (VC) : L'algorithme prend désormais en charge nativement la recherche à travers un espace de composition. Les utilisateurs définissent les systèmes chimiques via une entrée chemicalFormulas, qui peut spécifier des compositions fixes, une plage de compositions (multi-composition) ou une recherche complète à composition variable.
• Optimisation de Pareto : Pour traiter les problèmes multi-objectifs (par exemple, minimiser l'énergie tout en maximisant une propriété spécifique), le code implémente l'algorithme NSGA-II. Cela remplace ou complète la précédente fonction de fitness scalaire. La sélection des parents est effectuée via une sélection par tournoi binaire basée sur le tri non-dominé (rang de Pareto) et la distance de crowding, garantissant un ensemble diversifié de solutions le long du front de Pareto.
• Opérations Génétiques Améliorées :
  • Crossover Multi-cut : Permet de couper les cellules unitaires des parents en plusieurs points pour générer des descendants avec des arrangements atomiques mixtes.
  • Permutomic : Une opération spécifique aux VC qui ajoute ou retire aléatoirement un seul atome d'une structure parente pour explorer les variations stœchiométriques.
  • Permucomp : Une opération spécifique aux VC qui génère une nouvelle structure avec une composition et un nombre total d'atomes aléatoires (jusqu'à une limite définie par l'utilisateur) en distordant le réseau parent et en le décorant de nouveaux atomes.
  • Expansion de Supercell Aléatoire : Une mutation secondaire qui étend une structure en une supercellule et déplace un atome aléatoire, utile pour explorer les ondes de densité de charge.
• Enveloppe Convexe et Énergies de Référence : La fitness énergétique des structures est déterminée par leur distance au-dessus de l'enveloppe convexe. Le code calcule cela en utilisant la bibliothèque Qhull, nécessissant des énergies de référence définies par l'utilisateur pour les éléments et les sous-systèmes pertinents afin d'assurer une construction précise de l'enveloppe pour les recherches MC et VC.
• Intégration ML et UIP : La version inclut un script wrapper Python (vasp_uip.py) pour faciliter la relaxation structurelle locale à l'aide de UIP modernes (MACE, CHGNet, Orb, MatterSim) via l'Atomic Simulation Environment (ASE). Cela permet un criblage rapide de milliers de structures, pouvant être suivi par des calculs DFT de haute précision.
• Vérification de Similitude et de Doublons : Le code propose deux modes pour identifier les doublons : le schéma de correspondance exacte (XtalComp) et une nouvelle méthode approximative basée sur les fonctions de distribution radiale (RDF) pour détecter des structures similaires, particulièrement utiles pour les systèmes moléculaires ou de légères différences de rotation.

Contributions Clés

1. Recherche VC-MO Native : L'implémentation d'une recherche à composition variable intégrée à l'optimisation de Pareto, permettant l'exploration simultanée de l'espace de composition et de multiples propriétés de matériaux.
2. Nouvelles Opérations Génétiques : Introduction des opérations permutomic et permucomp spécifiquement conçues pour diversifier la population dans les recherches à multi-éléments et à composition variable.
3. Implémentation du Front de Pareto : Intégration de l'algorithme NSGA-II pour la sélection des parents, fournissant une alternative robuste aux fonctions de fitness scalaires pour les problèmes multi-objectifs.
4. Interface UIP : Mise à disposition de scripts faciles à utiliser pour interfacer XtalOpt avec les potentiels interatomiques universels, réduisant considérablement le coût computationnel des relaxations structurelles dans les recherches à haut débit.
5. Entrées/Sorties et Contrôles Raffinés : Mises à jour des conventions de drapeaux d'entrée (par exemple, chemicalFormulas remplaçant empiricalFormula), nouvelles contraintes de volume basées sur les rayons covalents, et fichiers de sortie améliorés (par exemple, hull.txt, instantanés movie) pour surveiller l'évolution de l'enveloppe convexe.

Résultats et Performance
L'évaluation comparative sur le système Ti-O a démontré que l'inclusion des opérations permutomic et permucomp augmente le nombre de compositions chimiques uniques produites dans une recherche VC de 30 % ou plus par rapport aux recherches sans ces opérateurs. Le profilage computationnel indique que si XtalOpt lui-même consomme une fraction du temps CPU total (par exemple, ~35 % pour 100 structures, diminuant à mesure que le nombre de structures augmente en raison de la dominance des tâches d'optimisation locale externes), le processus de sélection des parents (spécifiquement le tri non-dominé) est la tâche interne la plus exigeante, consommant environ 7 % du temps CPU du code. L'utilisation de UIP rapides pour la relaxation rend le surcoût des tâches internes de XtalOpt négligeable par rapport au temps d'exécution total.

Signification
Les auteurs affirment que la Version 14 de XtalOpt ouvre la voie à des recherches efficaces de l'état fondamental pour les phases cristallines de matériaux ayant des compositions variables et des propriétés cibles souhaitées. En intégrant l'optimisation de Pareto et les capacités de composition variable aux potentiels ML modernes, le code facilite l'exploration à haut débit des systèmes chimiques pour prédire de nouvelles phases (méta)stables. Ce travail souligne que ces développements, combinés à des corrections de bugs et des améliorations de flux de travail, permettent aux chercheurs de rechercher systématiquement des matériaux fonctionnels à travers des espaces de composition complexes qui étaient auparavant trop coûteux sur le plan computationnel ou méthodologiquement difficiles à naviguer. L'article note que le logiciel est entièrement open-source et disponible via le site officiel et la bibliothèque Computer Physics Communications.