A Multi-Scale Machine Learning Framework for Coupled Chemical, Spin, and Structural Disorder in Alloys

Résumé Technique : Un cadre d'apprentissage automatique multi-échelle pour le couplage du désordre chimique, de spin et structurel dans les alliages

Énoncé du problème
Les propriétés thermodynamiques des alliages magnétiques désordonnés sont régies par l'enchevêtrement complexe du désordre configurationnel (espèces chimiques et orientations de spin) et du désordre structurel (distorsions locales du réseau). Bien que les méthodes de calcul existantes puissent traiter ces facteurs individuellement — en utilisant des simulations de Monte Carlo (MC) pour l'échantillonnage configurationnel et la dynamique moléculaire (MD) pour la dynamique structurelle — elles ne parviennent pas à capturer le couplage intrinsèque où les changements d'occupation des sites génèrent des forces qui modifient la géométrie du réseau. La modélisation de ce système couplé de manière précise est informatiquement prohibitive via la théorie de la fonctionnelle de la densité (DFT) en raison de la nécessité d'utiliser de grandes supercellules et un échantillonnage étendu. De plus, les modèles de substitution traditionnels, tels que les champs de force classiques ou les développements de clusters, supposent souvent des géométries de réseau fixes ou manquent de la capacité à décrire simultanément les degrés de liberté chimiques, de spin et structurels.

Méthodologie
Les auteurs proposent un cadre multi-échelle unifié qui intègre des modèles d'apprentissage automatique (ML) avec des méthodes d'échantillonnage statistique pour lever ces limitations. L'architecture centrale couple des simulations MC (pour l'échantillonnage configurationnel) avec des simulations MD (pour la relaxation structurelle) dans une boucle imbriquée :

1. Schéma d'échantillonnage : Le cadre propose des mouvements MC (échanges élémentaires, inversions de spin et sauts interstitiels). Au lieu d'évaluer ces mouvements sur un réseau statique, chaque mouvement proposé déclenche une courte trajectoire MD-NPT (nombre de particules, pression et température constants) pour permettre la relaxation du réseau et capturer les distorsions structurelles.
2. Potentiels d'apprentissage automatique :
   • Réseaux de neurones sur graphes (GNN) : Un GNN de type Transformer est employé pour évaluer l'énergie totale et les moments magnétiques relaxés résolus par site ($\{s_{i,relaxed}\}$) pour une configuration donnée. Crucialement, le GNN prend à la fois les espèces atomiques et la supposition de spin initiale comme caractéristiques de nœud, l'entraînant à prédire les moments magnétiques relaxés de manière autocohérente et l'énergie totale. Cela permet au modèle de gérer les configurations de spin arbitraires requises pour l'échantillonnage MC.
   • Potentiels interatomiques d'apprentissage automatique (MLIP) : Le modèle CHGNet est affiné pour prédire les forces interatomiques et les contraintes. Ces dérivées de l'énergie totale pilotent les relaxations structurelles (MD) et garantissent un champ de force conservatif. Les auteurs notent que bien que CHGNet prédise les moments magnétiques à l'état fondamental, il est utilisé ici exclusivement pour la dynamique structurelle, car les calculs de référence DFT indiquent que les configurations magnétiques n'affectent pas significativement les forces et les contraintes dans ce système.
3. Moyennage thermodynamique : L'énergie configurationnelle effective pour un mouvement MC proposé est calculée en moyennant les énergies de plusieurs instantanés (snapshots) tirés de la trajectoire MD. Cette énergie est ensuite utilisée dans un échantillonnage de Metropolis ou de Wang-Landau pour accepter ou rejeter le mouvement, générant un ensemble qui capture à la fois le désordre configurationnel et structurel.

Contributions clés

• Cadre unifié : L'article établit le premier cadre de calcul capable de modéliser simultanément le couplage du désordre chimique, de spin et structurel dans les alliages en utilisant une combinaison de GNN et de MLIP au sein d'une boucle d'échantillonnage statistique.
• Architecture du modèle : Le développement d'une architecture GNN spécifique qui accepte les configurations de spin initiales en entrée pour prédire les moments magnétiques relaxés et les énergies totales, surmontant la limitation des modèles ML standards qui ne prédisent généralement que les propriétés à l'état fondamental.
• Construction de jeux de données : La création de deux jeux de données spécialisés pour les alliages Fe-Co-C : l'un pour l'affinage du MLIP (se concentrant sur les distorsions structurelles et les forces) et l'autre pour l'entraînement du GNN (se concentrant sur diverses configurations chimiques/de spin et les moments magnétiques relaxés).

Résultats
Le cadre a été appliqué aux alliages Fe-Co avec dopage au carbone interstitiel dans une structure cubique centrée corps (BCC) :

• Températures de transition de phase : Le cadre a prédit avec succès la température de transition ordre-désordre pour le Fe-Co à 1 000 K, en excellent accord avec la valeur expérimentale de 1 006 K. Il a également prédit la température de fusion à 1 690 K, correspondant à l'approximation expérimentale de ~1 700 K.
• Rôle des distorsions structurelles :
  • Sans distorsions structurelles (réseau fixe), le cadre a identifié une configuration de chaîne de carbone linéaire comme l'état fondamental, conduisant à une température de transition ordre-désordre élevée pour le carbone (> 1 700 K) en raison des interactions C-C.
  • Avec les distorsions structurelles (NPT-MD), la configuration de la chaîne de carbone est déstabilisée car les distorsions locales du réseau autour des atomes de carbone brisent la symétrie de compensation des forces. Par conséquent, la température de transition ordre-désordre du carbone est significativement réduite, tandis que la transition Fe-Co reste robuste près de 1 000 K.
• Transitions structurelles : Le cadre a capturé une transition induite par la température d'une structure tétragonale vers une structure quasi-cubique à mesure que le désordre du carbone augmentait. Cela a été quantifié par des paramètres d'ordre de réseau anisotropes ($D_{ab}$ et $D_c$), qui ont montré de larges fluctuations à des concentrations de carbone intermédiaires (1,85 %) en raison du basculement du système entre deux états interstitiels de symétrie inéquivalente.
• Précision du modèle : Le MLIP affiné a atteint une erreur absolue moyenne (MAE) de 0,119 eV/Å pour les forces et de 0,443 GPa pour les contraintes. Le GNN a atteint une MAE de 34,0 meV/atome pour l'énergie et de 0,065 $\mu_B$ pour les moments magnétiques, démontrant une fiabilité pour l'échantillonnage thermodynamique.

Signification
L'article affirme que ce cadre établit un outil fiable pour l'étude des alliages à multi-désordre où les degrés de liberté configurationnels et structurels sont fortement couplés. En reproduisant les références expérimentales pour le Fe-Co-C avec la précision des premiers principes, ce travail démontre que négliger les distorsions structurelles peut conduire à des surestimations significatives des températures de transition de phase. Les auteurs positionnent ce cadre comme une méthode transférable applicable aux systèmes désordonnés complexes, citant spécifiquement les alliages à haute entropie, les matériaux multiferroïques et les dispositifs spintroniques comme domaines d'application potentiels. Ce travail souligne la nécessité d'intégrer la dynamique structurelle pilotée par le ML avec l'échantillonnage configurationnel pour prédire correctement les propriétés thermodynamiques de ces matériaux.