Parameterizing empirical interatomic potentials for predicting thermophysical properties via an irreducible derivative approach: the case of ThO$_2$ and UO$_2$

तकनीकी सारांश: ThO₂ और UO₂ के लिए एक अपरिमेय व्युत्पन्न दृष्टिकोण के माध्यम से अनुभवजन्य अंतर-परमाणु विभवों का पैरामीटराइजेशन

समस्या विवरण
ऊष्मीय भौतिक गुणों की भविष्यवाणी करने के लिए उपयोग किए जाने वाले क्लासिकल मॉलिक्यूलर डायनेमिक्स (MD) सिमुलेशन की सटीकता मौलिक रूप से नियोजित अनुभवजन्य अंतर-परमाणु विभवों (EIPs) की गुणवत्ता द्वारा सीमित होती है। पारंपरिक EIPs को अक्सर प्रयोगात्मक डेटा, जैसे कि जालक मापदंड (lattice parameters), प्रत्यास्थ स्थिरांक (elastic constants) और तापीय प्रसार (thermal expansion) पर फिट करके पैरामीटराइज किया जाता है। हालाँकि, प्रयोगात्मक डेटा अक्सर मात्रा और गुणवत्ता में सीमित होता है, विशेष रूप से जटिल दोष संरचनाओं (defect structures) के लिए, और अक्सर बोर्न-ओपनहाइमर (Born-Oppenheimer) विभव के विवरणों को सीधे जांचने में विफल रहता है। फलस्वरूप, पारंपरिक पैरामीटराइजेशन रणनीतियाँ अक्सर ऐसे विभव उत्पन्न करती हैं जो फोनॉन विसर्जन (phonon dispersions) और उच्च-क्रम के फोनॉन इंटरैक्शन की सटीक भविष्यवाणी करने में अपर्याप्त होते हैं, जो थोरियम डाइऑक्साइड (ThO₂) और यूरेनियम डाइऑक्साइड (UO₂) जैसे परमाणु ईंधन सामग्रियों में तापीय परिवहन और दोष निर्माण को समझने के लिए महत्वपूर्ण हैं। जबकि मशीन-लर्निंग अंतर-परमाणु क्षमताएं (MLIPs) उच्च सटीकता प्रदान करती हैं, उनकी कम्प्यूटेशनल लागत और भौतिक व्याख्यात्मकता (physical interpretability) की कमी बाधा बनी हुई है। एक ऐसी मजबूत प्रशिक्षण पद्धति की आवश्यकता है जो MLIPs के कम्प्यूटेशनल ओवरहेड के बिना प्रथम-सिद्धांतों (first-principles) के डेटा का लाभ उठाकर फोनॉन-संबंधी गुणों को कैप्चर कर सके।

कार्यप्रणाली
लेखक लक्षित EIP और डेंसिटी फंक्शनल थ्योरी (DFT) से प्राप्त बोर्न-ओपनहाइमर विभव के बीच अपरिमेय व्युत्पन्न (irreducible derivatives - IDs) के प्रत्यक्ष तुलना पर आधारित EIP के लिए एक प्रशिक्षण दृष्टिकोण प्रस्तुत करते हैं।

• प्रशिक्षण डेटा: केवल ऊर्जा और बलों पर निर्भर रहने के बजाय, डेटासेट में द्वितीय- और तृतीय-क्रम के विस्थापन IDs और द्वितीय-क्रम के स्ट्रेन (strain) IDs शामिल हैं। ये व्युत्पन्न स्पेस ग्रुप समरूपता (space group symmetry) का पूर्ण उपयोग करते हैं, जिससे बिना किसी अनावश्यक जानकारी के प्रशिक्षण संभव हो पाता है। प्रशिक्षण सेट में शामिल हैं:
  • $2 \times 2 \times 2$ सुपरसेल के भीतर द्वितीय-क्रम के विस्थापन IDs।
  • एक कन्वेंशनल क्यूबिक सुपरसेल के भीतर तृतीय-क्रम के विस्थापन IDs।
  • द्वितीय-क्रम के स्ट्रेन IDs।
  • 0 K पर जालक मापदंड, सामान्यीकृत बोर्न प्रभावी आवेश (Born effective charges), और फ्रेंकेल पेयर (Frenkel pair - FP) निर्माण ऊर्जा।
• विभव का रूप (Potential Form): यह अध्ययन मौजूदा CRG क्षमता (जो बकिंघम, मोर्स और EAM पदों का उपयोग करती है) पर आधारित एक EIP को पैरामीटराइज करता है, लेकिन इसे एक कोर-शेल मॉडल (core-shell model) को शामिल करके उन्नत करता है। इस मॉडल में, प्रत्येक आयन एक विशाल कोर और एक द्रव्यमान रहित शेल (massless shell) में विभाजित होता है जो एक हार्मोनिक स्प्रिंग से जुड़ा होता है, जो विशिष्ट ऑप्टिकल फोनॉन मोड को कैप्चर करने के लिए आवश्यक विशेषता है।
• अनुकूलन (Optimization): एक दो-चरणीय अनुकूलन प्रक्रिया का उपयोग किया जाता है। चरण 1 बुनियादी गुणों से जटिल व्युत्पन्नों तक डेटा को क्रमिक रूप से जोड़ते हुए, मापदंडों और भारों (weights) को परिष्कृत करने के लिए स्थानीय अनुकूलन (Nelder-Mead) का उपयोग करता है। चरण 2 पैरामीटर सेट को अंतिम रूप देने के लिए वैश्विक अनुकूलन (particle swarm algorithm) का उपयोग करता है।
• सत्यापन (Validation): परिणामी विभवों (PW के रूप में नामित) को फोनॉन विसर्जन, प्रत्यास्थ स्थिरांक, तापीय चालकता (रिलैक्सेशन टाइम एप्रोक्सिमेशन में बोल्ट्ज़मैन ट्रांसपोर्ट इक्वेशन के माध्यम से गणना की गई), तापीय प्रसार और दोष निर्माण ऊर्जा के लिए DFT गणनाओं और प्रयोगात्मक डेटा के विरुद्ध सत्यापित किया गया है।

प्रमुख योगदान और परिणाम

• बेहतर फोनॉन विसर्जन: PW क्षमताएं व्यापक रूप से उपयोग की जाने वाली CRG क्षमता से काफी बेहतर प्रदर्शन करती हैं। जहाँ CRG क्षमता ऑप्टिकल फोनॉन शाखाओं को अत्यधिक बढ़ाकर दिखाती है और उच्चतम ऑप्टिकल शाखाओं के बीच आवृत्ति अंतराल (frequency gap) को कैप्चर करने में विफल रहती है, वहीं PW, कोर-शेल मॉडल के समावेश के कारण, DFT-गणना किए गए विसर्जन और ऑप्टिकल ब्रांच गैप को सफलतापूर्वक पुनरुत्पादित करता है।
• तापीय चालकता: PW, CRG की तुलना में तापीय चालकता भविष्यवाणियों में पर्याप्त सुधार प्रदान करता है। 1000 K पर, प्रयोगात्मक डेटा की तुलना में ThO₂ और UO₂ के लिए अनुमानित तापीय चालकता में त्रुटि, CRG के क्रमशः 54% और 63% से घटकर PW के लिए 17% और 9% रह जाती है।
• दोष निर्माण ऊर्जा: केवल दो डेटा बिंदुओं (एक कन्वेंशनल सेल में Th/U FP) पर प्रशिक्षित होने के बावजूद, PW बड़े सुपरसेल्स में O, Th, और U FP के लिए निर्माण ऊर्जा का सटीक अनुमान लगाता है, जिसमें DFT मानों के साथ त्रुटि 9% के भीतर है।
• प्रत्यास्थ स्थिरांक: PW, कुछ प्रत्यास्थ स्थिरांकों ($C_{11}$ और $C_{44}$ में ThO₂; $C_{44}$ में UO₂) के लिए CRG की तुलना में बेहतर भविष्यवाणियां प्रदान करता है, भले ही CRG को सीधे प्रयोगात्मक प्रत्यास्थ स्थिरांकों पर फिट किया गया था। अन्य स्थिरांकों में विसंगतियां DFT और प्रयोगात्मक मानों के बीच अंतर के कारण बताई गई हैं, न कि क्षमता की विफलता के कारण।
• तापीय प्रसार: PW दोनों सामग्रियों के लिए 2500 K तक प्रयोगात्मक तापीय प्रसार डेटा के साथ अच्छा तालमेल दिखाता है।

महत्व और दावे
यह शोध दावा करता है कि अपरिमेय व्युत्पन्नों (irreducible derivatives) पर आधारित EIP को प्रशिक्षित करना फोनॉन-संबंधी ऊष्मीय भौतिक गुणों पर केंद्रित सटीक विभव विकसित करने के लिए एक आशाजनक दिशा है। स्पेस ग्रुप समरूपता का उपयोग करके अनावश्यक प्रशिक्षण डेटा को कम करके और उच्च-क्रम के व्युत्पन्नों को शामिल करके, यह दृष्टिकोण प्रथम-सिद्धांतों के डेटा के प्रति उच्च निष्ठा प्राप्त करता है। लेखक तर्क देते हैं कि उनका यह तरीका एक ऐसा EIP प्रदान करता है जो DFT डेटा का विश्वसनीय रूप से लक्षण वर्णन करता है और पारंपरिक विभवों की तुलना में फोनॉन विसर्जन और तापीय चालकता की भविष्यवाणी करने में बेहतर प्रदर्शन करता है। इसके अलावा, यह अध्ययन दर्शाता है कि विश्लेषणात्मक कार्यात्मक रूप को कोर-शेल मॉडल के साथ बढ़ाना एक्टिनाइड ऑक्साइड में विशिष्ट ऑप्टिकल फोनॉन मोड को कैप्चर करने के लिए आवश्यक है। लेखक सुझाव देते हैं कि यह ID-आधारित दृष्टिकोण मशीन लर्निंग-आधारित विभवों के व्यापक संदर्भ में उपयोगी हो सकता है, जो विश्लेषणात्मक रूपों की दक्षता को प्रथम-सिद्धांतों के प्रशिक्षण की सटीकता के साथ जोड़ने का मार्ग प्रदान करता है।