Physics-Constrained Self-Energy Warm Starts for Charge-Self-Consistent DFT+DMFT: Application to Iron at Core Conditions

तकनीकी सारांश: चार्ज-सेल्फ-कंसिस्टेंट DFT+DMFT के लिए भौतिकी-प्रतिबंधित सेल्फ-एनर्जी वॉर्म स्टार्ट्स

समस्या विवरण
चार्ज-सेल्फ-कंसिस्टेंट डेंसिटी फंक्शनल थ्योरी कंबाइंड विद डायनेमिकल मीन-फील्ड थ्योरी (DFT+DMFT) वास्तविक सामग्रियों, जैसे कि ट्रांजिशन-मेटल यौगिकों में गतिशील इलेक्ट्रॉनिक सहसंबंधों (dynamical electronic correlations) को पकड़ने के लिए अत्याधुनिक विधि है। हालाँकि, बड़े पैमाने पर थर्मोडायनामिक सैंपलिंग—जो चरम स्थितियों के तहत चरण सीमाओं (phase boundaries) और समीकरण अवस्थाओं को निर्धारित करने के लिए आवश्यक है—के लिए इसका अनुप्रयोग, वर्तमान में अत्यधिक गणनात्मक लागत के कारण निषेध योग्य है। प्रत्येक DFT+DMFT चक्र के लिए एक क्वांटम इम्प्योरिटी समस्या का तब तक पुनरावृत्त समाधान करना आवश्यक होता है जब तक कि इम्प्योरिटी और लैटिस अधिभोग (occupations) अभिसरित (converge) न हो जाएं। यह प्रक्रिया आयरन (Fe) जैसी प्रणालियों के लिए विशेष रूप से मांग वाली है, जो पृथ्वी के कोर की स्थितियों में मौजूद है, जहाँ सटीक मेल्टिंग कर्व्स (melting curves) आवश्यक हैं, लेकिन मानक DFT में डायनेमिकल सहसंबंधों के अपर्याप्त उपचार के कारण सैद्धांतिक भविष्यवाणियाँ ऐतिहासिक रूप से 1000 K से अधिक भिन्न रही हैं। जबकि DMFT को त्वरित करने के लिए मशीन लर्निंग (ML) का अन्वेषण किया गया है, मौजूदा दृष्टिकोण अक्सर मॉडल हैमिल्टोनियन, संकीर्ण सामग्री वर्गों, या ऐसे लक्ष्यों पर निर्भर करते हैं जो यथार्थवादी DFT+DMFT वर्कफ़्लो के लिए आवश्यक सख्त विश्लेतिक संरचना और सममिति बाधाओं का सम्मान नहीं करते हैं।

कार्यप्रणाली
लेखक DFT+DMFT स्व-संगति चक्र (self-consistency cycle) को त्वरित करने के लिए एक भौतिकी-प्रतिबंधित मशीन-लर्निंग वॉर्म स्टार्ट प्रस्तावित करते हैं। सीधे शोर युक्त, कॉम्प्लेक्स-वैल्यूड सेल्फ-एनर्जी $\Sigma(i\omega_n)$ को एक डिस्क्रीट मात्सुबारा ग्रिड पर भविष्यवाणी करने के बजाय, यह विधि सेल्फ-एनर्जी को घटकों में विभाजित करती है जो इसके ज्ञात विश्लेतिक गुणों का सम्मान करते हैं:

1. विघटन (Decomposition): सेल्फ-एनर्जी को एक स्टेटिक हाई-फ्रीक्वेंसी लिमिट, $\Sigma(\infty)$, और एक फ्रीक्वेंसी-डिपेंडेंट डायनेमिकल पार्ट, $\Delta\Sigma(i\omega_n)$, में विभाजित किया जाता है।
2. कॉम्पैक्ट प्रतिनिधित्व (Compact Representation): डायनेमिकल भाग को इमेजिनरी टाइम में परिवर्तित किया जाता है और एक ट्रंकेटेड लेजेंड्रे पॉलीनोमियल बेसिस में विस्तारित किया जाता है। गुणांक $\Sigma_\ell$ तेजी से घटते हैं, जो एक कॉम्पैक्ट, रियल-वैल्यूड प्रतिनिधित्व प्रदान करते हैं।
3. फर्मी लेवल प्रेडिक्शन: फर्मी लेवल ($E_f$), जो चार्ज संरक्षण लागू करने के लिए महत्वपूर्ण है, को एक अतिरिक्त सीखे गए आउटपुट के रूप में शामिल किया गया है।
4. मॉडल आर्किटेक्चर: एक $E(3)$-इक्विवैरिएंट ग्राफ न्यूरल नेटवर्क (GNN), जो e3nn फ्रेमवर्क का उपयोग करता है, स्टेटिक लिमिट $\Sigma(\infty)$, लेजेंड्रे गुणांक $\{\Sigma_\ell\}$, और $E_f$ की भविष्यवाणी करता है। नेटवर्क स्थानीय परमाणु परिवेश के पॉइंट-ग्रुप सिमेट्री का सम्मान करता है, जिसमें परमाणुओं को नोड्स के रूप में और सापेक्ष स्थितियों को गोलाकार हार्मोनिक्स (spherical harmonics) और रेडियल बेसिस फंक्शन्स के माध्यम से एनकोड किया जाता है।
5. वर्कफ़्लो: अनुमानित मात्राओं को पूर्ण सेल्फ-एनर्जी $\Sigma_{ML}(i\omega_n)$ में पुनर्गठित किया जाता है और DFT+DMFT लूप को इनिशियलाइज़ करने के लिए उपयोग किया जाता है, जो एक "वॉर्म स्टार्ट" के रूप में कार्य करता है न कि पूर्ण गणना के प्रतिस्थापन के रूप में।

प्रमुख योगदान और परिणाम

• अभिसरण का त्वरण (Acceleration of Convergence): इस विधि का परीक्षण धात्विक Fe, सहसंबद्ध FeO, और मॉट-इंसुलेटिंग NiO पर किया गया। एक भौतिकी-संगत प्रारंभिक अनुमान प्रदान करके, DMFT इटरेशन की संख्या जिसे स्व-संगति तक पहुँचने के लिए आवश्यक था, 2 से 4 गुना कम हो गई। उदाहरण के लिए, शून्य इनिशियलाइजेशन के साथ Fe को 9 इटरेशन की आवश्यकता थी, लेकिन ML वॉर्म स्टार्ट के साथ केवल 2-3 की। यह सीधे तौर पर प्रति संरचना वॉल-क्लॉक समय में 2-4 गुना कमी लाता है।
• उच्च-थ्रूपुट डेटा जनरेशन: इस त्वरण का लाभ उठाते हुए, लेखकों ने कोर दबावों और तापमानों पर 600 अतिरिक्त Fe कॉन्फ़िगरेशन के लिए सहसंबद्ध ऊर्जाएं और बल उत्पन्न किए, जिससे उनके डेटासेट को 1100 कॉन्फ़िगरेशन तक विस्तारित किया गया।
• मशीन-लर्न्ड इंटरएटोमिक पोटेंशियल (MLIP): त्वरित DFT+DMFT डेटा का उपयोग करके, एक NequIP-आधारित MLIP को प्रशिक्षित किया गया। मॉडल ने टेस्ट सेट पर ऊर्जा के लिए 69.2 meV/atom और बलों के लिए 76.7 meV/Å का माध्य पूर्ण त्रुटि (MAE) प्राप्त किया। लेखक नोट करते हैं कि यह त्रुटि चरम स्थितियों के लिए हालिया MLIPs के बराबर या उससे कम है।
• मेल्टिंग कर्व निर्धारण: प्रशिक्षित MLIP ने ह्सीपी-Fe (hcp-Fe) के ठोस-तरल सह-अस्तित्व को निर्धारित करने के लिए बड़े पैमाने पर आणविक गतिकी (MD) सिमुलेशन (9216 परमाणु) को सक्षम किया। परिणामी मेल्टिंग कर्व को साइमन-ग्लात्ज़ेल संबंध (Simon-Glatzel relation) पर फिट किया गया।
• विशिष्ट भविष्यवाणी: 330 GPa के इनर-कोर बाउंड्री (ICB) दबाव पर, अनुमानित मेल्टिंग तापमान 6225 K है (सांख्यिकीय अनिश्चितता $\pm 42$ K और व्यवस्थित अनिश्चितता एनवेलप लगभग 102 K के क्रम में है)।

महत्ता और दावे
पेपर का दावा है कि ML मॉडलों में भौतिक बाधाओं (विश्लेतिक संरचना और सममिति) को शामिल करने से सहसंबद्ध ठोसों के लिए मजबूत, स्केलेबल त्वरण मिलता है। प्राथमिक महत्व ह्सीपी-Fe मेल्टिंग कर्व को निर्धारित करने में इस फ्रेमवर्क के सफल अनुप्रयोग में निहित है, जो कि पहले DFT+DMFT के लिए बहुत महंगा माना जाता था।

330 GPa पर 6225 K का परिणाम हाल के लेजर-हीटेड डायमंड-एनविल सेल और रैंप-कंप्रेशन प्रयोगों से प्राप्त प्रयोगात्मक बाधाओं के निकट सहमति में है, जो पहले बड़े एक्सट्रपलेशन अनिश्चितताओं से ग्रस्त थे। लेखक तर्क देते हैं कि यह सहमति इस विचार को मान्य करती है कि डायनेमिकल इलेक्ट्रॉनिक सहसंबंध मानक DFT भविष्यवाणियों और प्रयोगात्मक मेल्टिंग तापमानों के बीच लंबे समय से चल रहे अंतर को हल करने के लिए एक महत्वपूर्ण कारक हैं। यह कार्य प्रदर्शित करता है कि भौतिकी-सूचित ML द्वारा त्वरित किया गया DFT+DMFT, ग्रहीय आंतरिक भाग के लिए सहसंबद्ध थर्मोडायनामिक डेटा उत्पन्न करने के लिए एक व्यवहार्य इंजन है। वे अपने भविष्य के अनुप्रयोगों के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि वर्तमान कार्य में ML मॉडल का उपयोग सख्ती से एक वॉर्म स्टार्ट के रूप में किया गया है, जबकि निकट-अभिसरित प्रकृति पूर्ण CTQMC रिफाइनमेंट को चुनिंदा रूप से लागू करने वाले अनिश्चितता-नियंत्रित सरोगेट मोड की ओर एक संभावित भविष्य का मार्ग सुझाती है।