🔬 materials science

Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

Cette étude présente des modèles d'apprentissage automatique informés par la physique qui prédisent avec précision les paramètres d'interaction de Hubbard ( $U_{\rm eff}$ , $V$ et $J$ ) dérivés de la cRPA pour les oxydes de métaux de transition, offrant à la fois des capacités de criblage à haut débit et de nouvelles perspectives physiques sur les facteurs électroniques et structurels régissant ces interactions.

Auteurs originaux : Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Publié 2026-07-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de construire un modèle parfait d'une minuscule ville trépidante faite d'atomes. Dans cette ville, les électrons sont les citoyens, filant en zigzag et interagissant les uns avec les autres. Parfois, les électrons sont bien élevés et suivent les règles de circulation habituelles. Mais dans certains matériaux, comme les oxydes de métaux de transition, les électrons deviennent indisciplinés. Ils commencent à se bousculer et à se heurter si fort que les règles habituelles s'effondrent. C'est ce qu'on appelle la « corrélation électronique forte ». Pour comprendre ces matériaux — qui sont cruciaux pour fabriquer de meilleures batteries, des supraconducteurs et des aimants — les scientifiques utilisent un ensemble spécial de règles appelées « paramètres de Hubbard ». Pensez à ces paramètres comme aux « lois de la circulation » pour ces électrons indisciplinés : à quel point ils se repoussent lorsqu'ils sont au même endroit (sur site), comment ils interagissent avec leurs voisins de l'autre côté de la rue (inter-site), et comment leurs spins se synchronisent (couplage de Hund).

Pendant longtemps, déterminer ces lois de circulation était un jeu de devinettes. Les scientifiques ajustaient les chiffres jusqu'à ce que leurs modèles informatiques correspondent aux expériences du monde réel, mais cela rendait leurs modèles peu fiables pour de nouveaux matériaux. Plus tard, une méthode plus rigoureuse appelée « approximation de la phase aléatoire contrainte » (cRPA) a été développée. C'est comme avoir une caméra de surveillance ultra-précise capable de calculer les règles exactes basées sur la physique, mais elle est si coûteuse en calcul qu'elle met une éternité à tourner, ce qui rend impossible la vérification de chaque matériau de l'univers. C'est là que l'histoire devient intéressante : comment obtenir la précision de la super-caméra sans attendre des années pour obtenir les résultats ?

L'histoire de l'article : Enseigner aux ordinateurs à deviner les règles

Dans cette étude, les chercheurs Jiyeon Kim, Indukuru Ramesh Reddy et leur équipe de l'Université nationale de Kyungpook ont décidé d'apprendre à un ordinateur à devenir un maître de la circulation. Ils voulaient construire un modèle d'apprentissage automatique « informé par la physique » capable de prédire ces paramètres de Hubbard complexes (spécifiquement $U_{eff}$ , $V$ et $J$ ) pour les oxydes de métaux de transition. Au lieu de laisser l'ordinateur deviner aveuglément, ils lui ont donné une antisèche de indices physiques — des choses comme la largeur de l'« autoroute » de l'électron (largeur de bande) et la distance entre les niveaux d'énergie de l'électron et ses voisins d'oxygène (séparation du centre de la bande).

L'équipe a d'abord construit un immense ensemble de données en utilisant la méthode cRPA, lente et coûteuse, pour obtenir les « vraies » réponses pour une variété de matériaux. Ensuite, ils ont entraîné trois types différents de détectives d'apprentissage automatique (appelés Forêt aléatoire, Gradient Boosting et XGBoost) pour apprendre les schémas. Les résultats ont été impressionnants. Le meilleur détective, un modèle XGBoost, pouvait prédire la répulsion sur site ( $U_{eff}$ ) avec une erreur de seulement 0,148 eV, l'interaction avec le voisin ( $V$ ) avec une erreur de 0,062 eV, et l'alignement des spins ( $J$ ) avec une erreur infime de 0,007 eV. Pour donner une idée, le modèle est si bon qu'il peut faire la différence entre les matériaux presque aussi bien que la méthode lente et coûteuse, mais en une fraction de seconde.

Mais les auteurs ne se sont pas arrêtés à la création d'une « boîte noire » qui donne des réponses. Ils voulaient savoir pourquoi l'ordinateur faisait ces suppositions. Ils ont donc utilisé un second truc appelé « recherche par force brute basée sur la régression » (BFS). Imaginez cela comme le fait de prendre les meilleures suppositions de l'ordinateur et de le forcer à écrire une équation mathématique simple qui explique la logique. Cela a révélé des vérités fascinantes sur le monde atomique :

Pour la répulsion sur site ( $U_{eff}$ ) : Le modèle a découvert que cette valeur est un bras de fer entre la façon dont l'électron est « localisé » (à quel point il est attaché à son atome) et la façon dont il se mélange avec ses voisins d'oxygène. Les mathématiques ont montré que si l'électron est plus localisé (bande passante plus étroite) et moins mélangé avec l'oxygène (séparation d'énergie plus grande), la répulsion devient plus forte. L'équation dérivée lie directement ces concepts physiques au chiffre final.
Pour l'interaction avec le voisin ( $V$ ) : Tout était une question de structure. Le modèle suggère que plus les atomes sont compactés (compacité structurelle) et plus le mélange avec l'oxygène est fort, plus l'interaction entre voisins est forte. Curieusement, la « localisation » de l'électron importait moins ici que pour la répulsion sur site.
Pour l'alignement des spins ( $J$ ) : C'était le plus simple de tous. Le modèle a découvert que l'alignement des spins est presque entièrement déterminé par l'identité de l'atome métallique lui-même. C'est comme une empreinte digitale ; si vous connaissez l'élément (son numéro atomique et son groupe), vous pouvez prédire le comportement des spins avec une précision incroyable, indépendamment de la structure complexe environnante. Le modèle suggère que, parce que cette interaction est faiblement écrantée par l'environnement, le caractère naturel de l'atome transparaît.

Les auteurs soulignent que, bien que ces modèles d'apprentissage automatique soient très précis, ils ne sont pas magiques. Ils sont construits sur le fondement des données cRPA, qui sert de « vérité » pour l'entraînement. L'étude suggère qu'en combinant la vitesse de l'apprentissage automatique avec les intuitions physiques de ces équations dérivées, les scientifiques peuvent désormais passer au crible des milliers de matériaux rapidement sans sacrifier la compréhension profonde de pourquoi ils se comportent de telle ou telle manière. C'est une façon d'obtenir le meilleur des deux mondes : la vitesse d'une supposition et la sagesse d'un physicien.

Résumé Technique : Apprentissage automatique informé par la physique pour la prédiction des paramètres d'interaction de Hubbard

Énoncé du problème
La détermination précise des paramètres d'interaction de Hubbard — spécifiquement l'interaction coulombienne sur site effective ( $U_{eff}$ ), l'interaction coulombienne inter-sites ( $V$ ) et le couplage de Hund ( $J$ ) — est cruciale pour l'application de méthodes allant au-delà de la DFT (telles que DFT+U, DFT+DMFT et DFT+U+V) aux matériaux corrélés. Bien que l'ajustement empirique de ces paramètres soit courant, cela limite la transférabilité. Les approches de premier principe comme l'approximation de la phase aléatoire contrainte (cRPA) offrent une voie rigoureuse et transférable en traitant explicitement le criblage électronique. Cependant, le coût de calcul élevé des calculs cRPA crée un goulot d'étranglement pour le criblage de matériaux à grande échelle. Bien que des études récentes d'apprentissage automatique (ML) aient prédit des paramètres de Hubbard, la prédiction spécifique des paramètres dérivés de la cRPA ( $U_{eff}$ , $V$ et $J$ ) utilisant des descripteurs qui capturent la localisation électronique et les effets de criblage reste largement inexplorée.

Méthodologie
Les auteurs ont développé un cadre de ML informé par la physique pour prédire les paramètres dérivés de la cRPA pour un ensemble diversifié d'oxydes de métaux de transition (TMO) avec des structures de type pérovskite, olivine, spinelle, stratifiée et pérovskite stratifiée.

Génération de données : Un ensemble de données de $U_{eff}$ , $V$ et $J$ a été généré via des calculs cRPA dans VASP. Le sous-espace corrélé (manifold TM-d) a été défini via des projections de fonctions de Wannier, et les processus de criblage associés à ces bandes ont été exclus pour calculer l'interaction écrantée.
Construction des caractéristiques (Features) : L'étude a construit 12 descripteurs classés en :
- Caractéristiques de la structure électronique : Largeur de bande TM-d ( $W$ ) et séparation énergétique entre les centres de bandes TM-d et O-p ( $D_{d-p}$ ), représentant respectivement la localisation et l'hybridation/le criblage.
- Caractéristiques atomiques et compositionnelles : Numéro atomique ( $Z_{TM}$ ), groupe ( $G_{TM}$ ), période ( $P_{TM}$ ), nombre moyen d'électrons d, et état d'oxydation moyen ( $n_{ox}$ ).
- Caractéristiques structurales : Nombre d'atomes par maille élémentaire ( $N_{u.c}$ ), nombre d'ions TM ( $TM_{u.c}$ ), distance de liaison la plus courte TM-O ( $d_{TM-O}$ ), volume par unité de formule ( $V_{f.u}$ ) et numéro de groupe d'espace ($SG$).
Stratégie de modélisation : L'étude a employé une stratégie à double approche :
- Apprentissage d'ensemble : Des modèles de Forêt Aléatoire (RF), de Régression par Boosting de Gradient (GBR) et d'Extreme Gradient Boosting (XGB) ont été entraînés en utilisant une validation croisée de type "Leave-One-Out" (LOOCV) pour identifier les caractéristiques clés et atteindre une haute précision prédictive.
- Recherche par force brute basée sur la régression (BFS) : Pour obtenir des expressions analytiques explicites, un algorithme BFS a été appliqué. Les caractéristiques primaires sélectionnées de l'analyse d'ensemble ont été transformées à l'aide de 15 fonctions non linéaires (ex: $x, 1/x, e^x, \ln(x+1)$ ) pour générer des caractéristiques prototypiques. Celles-ci ont été combinées multiplicativement en caractéristiques composées pour construire des modèles de régression linéaire (notés $mCnF $, où$ m$ est le nombre de caractéristiques composées et $n$ le nombre de caractéristiques primaires).

Résultats Clés

Prédiction de $U_{eff}$ :
- Modèles d'ensemble : XGB a obtenu la meilleure performance avec une RMSE de 0,148 eV et un $R^2$ de 0,899 en utilisant six caractéristiques ( $n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$ ). Un sous-ensemble de quatre caractéristiques ( $n_{ox}, n_d, N_{u.c}, V_{f.u}$ ) a produit une performance presque saturée (RMSE 0,168 eV).
- Expressions analytiques : La méthode BFS a produit des formules explicites. Un modèle utilisant l'ensemble motivé par la physique ( $W, D_{d-p}, n_d, V_{f.u}$ ) a atteint une RMSE de 0,207 eV. La forme analytique dérivée (Éq. 3) relie directement $U_{eff}$ à la localisation ( $W$ ) et à l'hybridation ( $D_{d-p}$ ), montrant que $U_{eff}$ augmente avec une hybridation réduite (plus grand $D_{d-p}$ ) et présente une dépendance non monotone vis-à-vis de $n_d$ .
Prédiction de l'interaction inter-sites $V$ :
- Modèles d'ensemble : XGB a atteint une RMSE de 0,062 eV ( $R^2 = 0,784$ ) en utilisant cinq caractéristiques ( $n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$ ).
- Expressions analytiques : Le meilleur modèle BFS (configuration 3C2F) utilisant l'ensemble ( $n_d, N_{u.c}, V_{f.u}, P_{TM}$ ) a atteint une RMSE de 0,071 eV. La formule résultante (Éq. 4) indique que $V$ est régi par la compacité structurale (un $V_{f.u}$ plus petit et un $N_{u.c}$ plus grand augmentent $V$ ) et le criblage lié à l'hybridation ( $D_{d-p}$ ), tandis que $W$ (localisation) joue un rôle minimal.
Prédiction du couplage de Hund $J$ :
- Modèles d'ensemble : $J$ a été prédit avec une précision exceptionnelle en utilisant des descripteurs minimaux. XGB a atteint une RMSE de 0,007 eV ( $R^2 = 0,989$ ) en utilisant seulement trois caractéristiques ( $G_{TM}, P_{TM}, SG$ ). Même une seule caractéristique ( $Z_{TM}$ ) a produit une RMSE d'environ 0,015 eV.
- Expressions analytiques : L'analyse BFS a confirmé que $J$ est principalement régi par les caractéristiques atomiques intrinsèques. Le meilleur modèle analytique (Éq. 6) dépend uniquement des descripteurs élémentaires ( $G_{TM}$ et $P_{TM}$ ), reflétant la tendance selon laquelle $J$ augmente avec la série des TM et diminue avec la période, ce qui est cohérent avec la préservation des tendances atomiques brutes en raison d'un faible criblage dans la cRPA.

Signification et Revendications
L'article affirme fournir une approche efficace pour prédire les paramètres de Hubbard dérivés de la cRPA, accélérant ainsi les flux de travail DFT+U et DFT+U+V sans dépendre de l'ajustement empirique. En combinant l'apprentissage d'ensemble avec la BFS, l'étude atteint à la fois une haute précision prédictive et une interprétabilité physique.

Les auteurs soulignent que leur cadre offre des perspectives physiques spécifiques :

$U_{eff}$ est directement lié à la compétition entre la localisation des électrons et l'hybridation TM-d/O-p.
$V$ est déterminé principalement par le criblage lié à l'hybridation et la compacité structurale, plutôt que par la localisation orbitale.
$J$ est régi presque entièrement par les propriétés atomiques intrinsèques de l'ion de métal de transition, car le criblage cRPA est faible pour ce paramètre.

L'étude conclut que ce cadre de ML informé par la physique offre une voie pratique pour identifier les relations descripteur-propriété dans les oxydes corrélés et propose des formules analytiques explicites qui peuvent être appliquées à de nouveaux matériaux sans nécessiter l'accès aux données d'entraînement originales ou à des calculs cRPA complexes.

Articles similaires