Upscaling DFT-trained machine-learning interatomic potential toward Quantum Monte Carlo accuracy: Sulfur-vacancy migration in monolayer MoS$_2$ as a testbed

तकनीकी सारांश: QMC सटीकता की ओर DFT-प्रशिक्षित MLIPs का अपस्केलिंग (Upscaling)

समस्या विवरण
सक्रिय प्रक्रियाओं जैसे कि रिक्ति विसरण (vacancy diffusion) और चरण परिवर्तनों (phase transformations) के अनुकरण के लिए संभावित-ऊर्जा सतहों (potential-energy surfaces - PES) का सटीक मॉडलिंग अत्यंत महत्वपूर्ण है। जबकि मशीन-लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) बड़े पैमाने पर सैंपलिंग और मुक्त-ऊर्जा गणनाओं को सक्षम करते हैं जो प्रथम-सिद्धांत विधियों (first-principles methods) के लिए गणनात्मक रूप से अत्यधिक कठिन हैं, उनकी सटीकता स्वाभाविक रूप से उपयोग किए गए संदर्भ डेटा द्वारा सीमित होती है। मानक डेंसिटी फंक्शनल थ्योरी (DFT)-प्रशिक्षित MLIPs, DFT परिणामों को पुनरुत्पादित करते हैं, जिनमें अक्सर बैरियर ऊंचाइयों (barrier heights) और दोष ऊर्जाओं (defect energetics) में व्यवस्थित पूर्वाग्रह (systemic biases) होते हैं। इसके विपरीत, क्वांटम मोंटे कार्लो (QMC) विधियाँ रासायनिक सटीकता के करीब बेंचमार्क-गुणवत्ता वाली ऊर्जाएँ प्रदान करती हैं, लेकिन वे वर्तमान में व्यापक सैंपलिंग के लिए बहुत महंगी हैं। इसके अलावा, स्टोकेस्टिक QMC विधियों (विशेष रूप से फिक्स्ड-नोड डिफ्यूजन मोंटे कार्लो, FN-DMC) से अभिसरित (converged) परमाणु बलों को प्राप्त करना, ऊर्जा की गणना करने की तुलना में काफी अधिक कठिन और कम नियमित है, जो उच्च-निष्ठा वाले MLIPs के प्रशिक्षण के लिए एक बाधा उत्पन्न करता है जो बल डेटा (force data) पर निर्भर करते हैं।

कार्यप्रणाली (Methodology)
लेखक एक मल्टी-फिडेलिटी लर्निंग (MFL) रणनीति का प्रस्ताव करते हैं ताकि एक DFT-प्रशिक्षित MLIP को बिना प्रत्यक्ष QMC बल गणना की आवश्यकता के, निकट-QMC सटीकता तक "अपस्केल" किया जा सके। यह दृष्टिकोण एक इक्विवैरिएंट मैसेज-पासिंग न्यूरल नेटवर्क (MACE) पर आंशिक रूप से फ्रोजन फाइन-ट्यूनिंग (FT) योजना का उपयोग करता है। कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

1. डेटा जनरेशन: लगभग $10^3$ कॉन्फ़िगरेशन का एक डेटासेट एक पूर्व-मौजूदा DFT-प्रशिक्षित MACE पोटेंशियल के आधार पर कंस्ट्रेंड मॉलिक्यूलर डायनेमिक्स (MD) और नग्ड इलास्टिक बैंड (NEB) पथों का उपयोग करके बनाया गया था। इन कॉन्फ़िगरेशन के लिए सिंगल-पॉइंट FN-DMC ऊर्जाएँ निकाली गईं, जबकि परमाणु बल मूल DFT गणनाओं से रखे गए।
2. फाइन-ट्यूनिंग आर्किटेक्चर: लेखकों ने केवल MACE मॉडल के "रीडआउट" (readout) परतों को फाइन-ट्यून किया, जो सीखे गए इनवेरिएंट फीचर्स को प्रति-परमाणु ऊर्जाओं में मैप करती हैं। इक्विवैरिएंट मैसेज-पासिंग परतें, जो स्थानीय परिवेश के ज्यामितीय प्रतिनिधित्व और DFT-सीखे गए फोर्स फील्ड को एनकोड करती हैं, को फ्रीज (frozen) कर दिया गया। यह DFT से सीखी गई गुणात्मक संरचनात्मक भौतिकी को सुरक्षित रखता है जबकि ऊर्जा मैपिंग को QMC लक्ष्यों के अनुसार पुनर्गठित (recalibrate) करने की अनुमति देता है।
3. लॉस फंक्शन और बाधाएं: प्रशिक्षण उद्देश्य एक संयुक्त लॉस फंक्शन को न्यूनतम करना है जिसमें FN-DMC ऊर्जाओं के लिए मीन स्क्वेयर्ड एरर (MSE) टर्म और DFT बेसलाइन बलों से विचलन के लिए एक थ्रेशोल्ड पेनल्टी टर्म शामिल है।
   • फोर्स पेनल्टी को $FEt(F_{pred}, F_{DFT}) = \Theta(\|\Delta F\|^2 - t^2)(\|\Delta F\|^2 - t^2)^2$ के रूप में परिभाषित किया गया है, जहाँ $t$ एक थ्रेशोल्ड पैरामीटर है (जिसे 16 eV/Å सेट किया गया है)।
   • यह बाधा मॉडल को अवास्तविक बलों या स्थिर DFT गतिकी से बड़े विचलन विकसित करने से रोकती है, जबकि यह ऊर्जा परिदृश्य (energy landscape) को QMC सटीकता की ओर स्थानांतरित करने की अनुमति देती है।

प्रमुख योगदान

• फोर्स-कंस्ट्रेंड अपस्केलिंग: यह शोध पत्र उच्च-स्तरीय QMC ऊर्जाओं और निम्न-स्तरीय DFT बलों का उपयोग करके DFT-प्रशिक्षित MLIPs को सुधारने के लिए एक व्यावहारिक प्रोटोकॉल प्रदर्शित करता है, जो महंगे और शोर वाले (noisy) QMC बल गणनाओं की आवश्यकता को दरकिनार करता है।
• आंशिक फ्रीजिंग रणनीति: मैसेज-पासिंग परतों को फ्रीज करके और केवल रीडआउट को अपडेट करके, लेखक DFT फोर्स फील्ड की स्थिरता बनाए रखते हुए QMC-स्तर की ऊर्जा प्राप्त करते हैं।
• मल्टी-फिडेलिटी सत्यापन: अध्ययन यह प्रमाणित करता है कि QMC ऊर्जाओं का एक सीमित डेटासेट (37 नमूनों के रूप में भी) मॉडल को महत्वपूर्ण रूप से सुधारने के लिए पर्याप्त है, और प्रदर्शन लगभग 500 नमूनों के आसपास स्थिर हो जाता है।

परिणाम
इस विधि का परीक्षण मोनोलेयर $\text{MoS}_2$ में सल्फर (S) रिक्ति माइग्रेशन पर किया गया, जो मोनो-, बाई-, और क्वाड-वैकेंसी वाले सिस्टम को शामिल करता है।

• ऊर्जा विज्ञान (Energetics): फाइन-ट्यून किया गया MLIP (FT-MLIP) माइग्रेशन बैरियर्स के लिए निकट-QMC सटीकता प्राप्त करता है। एक मोनो-वैकेंसी के लिए, FT-MLIP बैरियर (2.75 eV) स्पष्ट FN-DMC परिणाम (2.85 eV) से केवल ~0.1 eV भिन्न था, जबकि बेसलाइन DFT-MLIP 0.55 eV कम था।
• बल (Forces): यद्यपि इसे QMC बलों पर प्रशिक्षित नहीं किया गया था, फिर भी FT-MLIP ने बेहतर फोर्स फिडेलिटी दिखाई। QMC डेरिवेटिव के सापेक्ष परमाणु बलों का मीन एब्सोल्यूट एरर (MAE) DFT-MLIP के 220 meV/Å से घटकर FT-MLIP का 160 meV/Å हो गया।
• सामान्यीकरण (आउट-ऑफ-डोमेन): मॉडल ने बाई-वैकेंसी और क्वाड-वैकेंसी के लिए माइग्रेशन बैरियर्स की सफलतापूर्वक भविष्यवाणी की (ट्रांसफर टेस्ट), जिसमें स्पष्ट FN-DMC गणनाओं से केवल 0.04–0.15 eV का विचलन देखा गया, जो DFT बेसलाइन से काफी बेहतर प्रदर्शन है।
• मुक्त ऊर्जा (Free Energy): इस दृष्टिकोण ने 300, 600, और 900 K पर मुक्त ऊर्जा बाधाओं की गणना करने के लिए बड़े पैमाने पर थर्मोडायनामिक इंटीग्रेशन सिमुलेशन को सक्षम बनाया, जिससे पता चला कि वाइब्रेशनल एंट्रॉपी सुधार QMC ऊर्जा सुधारों के समान परिमाण के हैं और संक्रमण अवस्था (transition state) के स्थानों को गुणात्मक रूप से बदल सकते हैं।

महत्व
लेखक दावा करते हैं कि यह दृष्टिकोण उन प्रणालियों और कॉन्फ़िगरेशन (जैसे कई दोषों वाले बड़े सुपरसेल्स) के लिए बड़े पैमाने पर, निकट-QMC गुणवत्ता वाले सिमुलेशन के द्वार खोलता है जो प्रत्यक्ष ब्रूट-फोर्स QMC विधियों के लिए दुर्गम हैं। यह विधि उच्च-स्तरीय ऊर्जा सुधारों को सीखने और DFT फोर्स फील्ड की गुणात्मक स्थिरता को बनाए रखने के बीच एक नियंत्रित ट्रेड-ऑफ प्रदान करती है। लेखकों का कहना है कि यह तकनीक अन्य प्रणालियों के लिए भी सामान्यीकृत (generalizable) है जहाँ इलेक्ट्रॉनिक सहसंबंध (electronic correlation) ऊर्जा विज्ञान को प्रभावित करता है लेकिन संभावित-ऊर्जा सतह (PES) को गुणात्मक रूप से नहीं बदलता है, जो बेंचमार्क-गुणवत्ता वाले सामग्री सिमुलेशन के लिए एक गणनात्मक रूप से वहन करने योग्य मार्ग प्रदान करती है।