Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials

Résumé Technique : Optimisation Globale Grand Canonique Efficace avec des Potentiels Interatomiques de Machine Learning Entraînés à la Volée

Énoncé du Problème
La caractérisation des matériaux nanostructurés dans des environnements réactifs est entravée par la complexité des motifs structurels et de leurs transformations chimiques. Bien que les méthodes d'optimisation globale (GO) puissent prédire les structures stables, traiter simultanément les espaces de configuration et de composition est computationnellement prohibitif lorsqu'on s'appuie sur des calculs de premiers principes. Les approches traditionnelles optimisent généralement une seule stœchiométrie à la fois, nécessitant des recherches distinctes pour chaque état chimique possible (par exemple, une variation du contenu en oxygène). Cette mise à l'échelle est inefficace, car le nombre de stœchiométries requises croît exponentiellement avec le nombre d'éléments constitutifs. De plus, de nombreuses stœchiométries évaluées sont instables et non pertinentes pour les conditions de réaction cibles, gaspillant ainsi les ressources de calcul.

Méthodologie
Les auteurs implémentent un algorithme d'Optimisation Globale Grand Canonique (GCGO) au sein de la bibliothèque Python AGOX (Atomistic Global Optimization X). Cette approche intègre des potentiels interatomiques de machine learning (MLIP) entraînés à la volée avec un cadre de thermodynamique ab initio pour explorer simultanément les espaces structurels et compositionnels.

Composants méthodologiques clés :

• Modèle de Substitution (Surrogate Model) : L'algorithme utilise un modèle de Régression par Processus Gaussien Creux (GPR) basé sur le descripteur SOAP (Smooth Overlap of Atomic Positions). Ce modèle GPR local est entraîné à la volée pendant la recherche. Il est « étendu en taille » (size-extensive), ce qui signifie qu'il peut prédire les énergies de structures ayant des nombres d'atomes variables (différentes stœchiométries) en décomposant l'énergie totale en contributions atomiques.
• Cadre Thermodynamique : Au lieu d'optimiser uniquement l'énergie potentielle, l'algorithme évalue l'énergie libre de formation de Gibbs ($\Delta G_c$) pour chaque candidat. Elle est calculée via l'approximation de la thermodynamique ab initio :
  $$\Delta G_c = E_c - E_r - \sum_{v} \Delta n_v (E_v + \Delta \mu_v)$$
  où $E$ représente les énergies potentielles à 0 K, $\Delta n_v$ est la variation du nombre d'atomes, et $\Delta \mu_v$ rend compte des potentiels chimiques des réservoirs (ex: gaz $O_2$) dépendant de la température et de la pression. Les contributions thermiques aux structures candidates sont négligées pour maintenir l'efficacité computationnelle, une simplification validée par les auteurs comme produisant des diagrammes de phases qualitativement corrects.
• Boucle d'Apprentissage Actif : L'algorithme suit un cycle itératif :
  1. Génération : De nouveaux candidats sont générés par randomisation, agitation de réseau (lattice rattling), ou par l'ajout/suppression d'atomes (Générateur d'Ajout/Suppression) à partir de structures germes.
  2. Sélection : Un module Sampler sélectionne les germes basés sur l'énergie libre de Gibbs. Deux samplers spécifiques sont introduits : un sampler d'énergie de Gibbs standard et un sampler de Gibbs par K-Means qui regroupe les candidats par similarité structurelle (SOAP) pour assurer une exploration diversifiée.
  3. Relaxation et Évaluation : Les nouveaux candidats sont relaxés en utilisant le MLIP. Un module Acquisiteur sélectionne les candidats pour une évaluation de haut niveau par la théorie ab initio basée sur une fonction d'acquisition : $F = \Delta G^M_c - \kappa\sigma$. Cette fonction équilibre la stabilité prédite ($\Delta G^M_c$) et l'incertitude du modèle ($\sigma$), favorisant les candidats qui sont prédits comme stables mais structurellement distincts de l'ensemble d'entraînement.
  4. Entraînement : Les candidats sélectionnés sont évalués au niveau de théorie cible (DFT ou un MLIP de haute fidélité) et ajoutés à l'ensemble d'entraînement pour mettre à jour le modèle GPR.

Principales Contributions

1. Implémentation Algorithmique : Le développement d'un algorithme GCGO capable de gérer plusieurs stœchiométries simultanément, dépassant les limites des méthodes de GO à stœchiométrie fixe.
2. Efficacité via l'Entraînement à la Volée : La démonstration que les MLIP basés sur la GPR, entraînés dynamiquement durant la recherche, réduisent significativement le nombre d'évaluations coûteuses de premiers principes nécessaires pour trouver les minima globaux par rapport aux méthodes traditionnelles.
3. Modélisation Étendue en Taille : L'application réussie des modèles SOAP-GPR à des systèmes ayant des compositions variables, permettant la comparaison directe des énergies de Gibbs entre différents états chimiques sans réentraîner de modèles séparés pour chaque stœchiométrie.
4. Exploration Guidée par l'Incertitude : L'intégration des estimations d'incertitude dérivées de la GPR dans la fonction d'acquisition pour guider la recherche vers les régions inexplorées de la surface d'énergie potentielle.

Résultats
L'algorithme a été testé sur trois systèmes de complexités variées et avec différents niveaux de théorie cibles :

• Clusters $Ir_3O_x$ isolés : En utilisant un MLIP MACE comme théorie cible, l'algorithme GCGO a identifié avec succès les minima globaux à travers divers potentiels chimiques de l'oxygène ($\Delta \mu_O$). Les taux de succès cumulés étaient comparables, et dans certains cas supérieurs, à ceux des recherches à stœchiométrie unique. Notamment, un seul run GCGO a identifié les minima globaux pour plusieurs stœchiométries (ex: $Ir_3$, $Ir_3O_2$ à $Ir_3O_9$), alors que des runs à stœchiométrie unique n'auraient trouvé le minimum que pour leur composition spécifique.
• $Pt_3O_x$ sur $CeO_2(111)$ : En utilisant la DFT comme théorie cible, la méthode a reproduit et amélioré les résultats de la littérature antérieure. Les runs GCGO ont trouvé des minima globaux pour $Pt_3O_6$ et $Pt_4O_4$ qui sont respectivement de 0,70 eV et 0,56 eV plus stables que ceux trouvés dans les études antérieures de type GOFEE à stœchiométrie unique. L'algorithme a navigué efficacement dans le diagramme de phase, identifiant des états stables pour différentes valeurs de $\Delta \mu_O$ avec moins d'évaluations DFT totales que l'exécution de recherches indépendantes par stœchiométrie.
• Surface $Pd(100)$ : L'algorithme a identifié avec succès des reconstructions de surface, incluant la transition d'une surface métallique vierge vers des états décorés par l'oxygène, puis finalement vers une phase d'oxyde de surface ($Pd_4O_4$) sous des conditions oxydantes. Le diagramme de phase résultant concordait bien avec les découvertes expérimentales et théoriques précédentes.

Signification et Revendications
L'article affirme que l'algorithme GCGO constitue une alternative prometteuse aux méthodes existantes pour caractériser les catalyseurs solides sous des conditions de réaction. Sa principale importance réside dans sa capacité à :

• Identifier les structures stables et les états chimiques avec une efficacité supérieure aux approches canoniques qui explorent les stœchiométries de manière indépendante.
• Révéler des régions de diagrammes de phases au-delà des conditions cibles immédiates au cours d'un seul run de calcul.
• Fournir un cadre pratique pour l'étude de nanomatériaux complexes où la phase stable est inconnue a priori.

Les auteurs notent avec modestie que, bien que l'algorithme soit hautement efficace, il ne s'agit pas d'une approche in operando formelle en raison de la négligence des contributions vibrationnelles à l'énergie libre de Gibbs des candidats. Cependant, ils affirment que cette simplification produit des frontières de phase fiables et que la méthode est particulièrement efficace lorsque une stœchiométrie est nettement plus stable que les autres sous les conditions cibles. Ce travail ouvre la voie à l'étude de nanomatériaux plus larges et plus complexes dans des environnements réactifs en réduisant le goulot d'étranglement computationnel des évaluations de premiers principes.