Decoupling Many-Body Interactions in CeO2 (111) Oxygen Vacancy Structure: Insights from Machine-Learning and Cluster Expansion

Sintesi Tecnica: Disaccoppiamento delle Interazioni Many-Body nella Struttura delle Vacanze di Ossigeno su CeO2 (111)

Problematica
Le vacanze di ossigeno ($V_O$) sono critiche per le proprietà redox e catalitiche della ceria ($CeO_2$). Tuttavia, prevedere accuratamente la distribuzione e la stabilità di queste vacanze sulla superficie del $CeO_2(111)$ è computazionalmente proibitivo a causa dell'enorme numero di possibili configurazioni elettroniche. Man mano che la concentrazione di vacanze aumenta, aumenta anche il numero di ioni $Ce^{3+}$ associati (polaroni), portando a un incremento esponenziale delle configurazioni. La stabilità di queste strutture dipende da complesse interazioni many-body, tra cui le repulsioni e attrazioni $Ce^{3+}$-$Ce^{3+}$, $V_O$-$Ce^{3+}$ e $V_O$-$V_O$. I metodi tradizionali faticano a campionare efficacemente queste configurazioni e gli studi precedenti si sono concentrati ampiamente su vacanze isolate o basse concentrazioni, trascurando spesso il potenziale di stabilità delle vacanze negli strati di ossigeno più profondi (oltre il sottosuperficie).

Metodologia
Gli autori hanno sviluppato un framework teorico ibrido che combina calcoli primi principi, machine learning (ML) e cluster expansion (CE) per disaccoppiare queste interazioni many-body.

1. Calcoli Primi Principi: Sono stati eseguiti calcoli DFT+U con spin-polarizzazione (funzionale PBE, $U=5.0$ eV) su slab di $CeO_2(111)$. Lo studio si è concentrato sui primi tre strati di ossigeno e sui primi due strati cationici. L'identificazione di $Ce^{3+}$ è stata basata sui momenti magnetici locali ($\sim 1 \mu_B$) e sulle lunghezze di legame $Ce$-$O$.
2. Modello di Cluster Expansion: È stato costruito un modello CE per rappresentare l'energia di formazione di qualsiasi configurazione come una somma di interazioni di cluster efficaci ($J_\alpha$). Il pool iniziale consisteva in 3.144 cluster coinvolgenti fino a quattro punti (che rappresentano $V_O$ o $Ce^{3+}$) entro un cutoff di 8 Å.
3. Machine Learning (LASSO): La regressione Least Absolute Shrinkage and Selection Operator (LASSO) è stata impiegata per selezionare il subset ottimale di cluster, prevenendo l'overfitting e identificando i termini di interazione più significativi. Il set di addestramento è stato raffinato iterativamente attraverso un ciclo di apprendimento attivo che coinvolge il campionamento Metropolis Monte Carlo (MC) a 1000 K.
4. Campionamento Monte Carlo: Una volta che il modello CE è stato convergente (validato da una soglia di errore di previsione <0.05 eV/$V_O$), esso è stato utilizzato per eseguire estese simulazioni MC (oltre $10^8$ passi) in una supercella $8 \times 8$. Queste simulazioni hanno esplorato le distribuzioni di vacanze attraverso varie concentrazioni ($\Theta = 1/16, 1/8, 3/16, 1/4$) e temperature (da 300 K a 1100 K).

Contributi Chiave e Risultati

• Disaccoppiamento delle Interazioni: Lo studio ha isolato con successo 15 cluster chiave dai 3.144 iniziali, disaccoppiando efficacemente le interazioni many-body. Il modello ha raggiunto un errore assoluto medio (MAE) di 0.07 eV/$V_O$ sul set di addestramento e di 0.08 eV/$V_O$ sulla cross-validazione.
• Identificazione dei Motivi: L'analisi ha rivelato motivi locali specifici che governano la stabilità:
  • Vacanze Isolate: Le vacanze sottosuperficiali sono favorite rispetto alle vacanze superficiali di circa $\sim 0.2$ eV.
  • Interazioni: Esiste una forte repulsione tra vacanze vicine di primo tipo (nearest-neighbor) in strati diversi. Al contrario, pattern specifici, come una vacanza sottosuperficiale accoppiata con una vacanza nel terzo strato (motivo $VO_2VO_3\_5N$), mostrano una forte attrazione ($-0.16$ eV).
  • Localizzazione dei Polaroni: Gli ioni $Ce^{3+}$ preferiscono generalmente i siti superficiali ma mostrano una forte attrazione verso le vacanze di secondo tipo (next-nearest-neighbor, NNN).
• Stabilità Dipendente dalla Concentrazione:
  • A basse concentrazioni ($\Theta \le 1/8$), le vacanze occupano prevalentemente lo strato sottosuperficiale, in linea con la letteratura precedente.
  • Ad alte concentrazioni ($\Theta \ge 3/16$), le vacanze iniziano a popolare il terzo strato di ossigeno. La configurazione più stabile a $\Theta = 1/4$ (denominata A2233) presenta due vacanze nello strato sottosuperficiale e due nel terzo strato. Questa struttura è 0.09 eV più stabile della precedentemente proposta struttura ordinata $(2 \times 2)$ tutta nel sottosuperficie.
• Meccanismo di Stabilità: La stabilità delle vacanze nel terzo strato ad alte concentrazioni è guidata da un'estesa rilassazione geometrica. Mentre l'energia di rottura del legame ($E_b$) penalizza le vacanze del terzo strato, l'energia di rilassamento ($E_r$) guadagnata nella configurazione A2233 (dove gli ioni $Ce^{4+}$ superficiali possono rilassarsi verso l'alto più liberamente a causa dell'assenza di legami opposti) supera tale penalità. Al contrario, le configurazioni con tutte le vacanze nel terzo strato (A3333) sono instabili a causa delle energie di rottura del legame proibitive.
• Effetti della Temperatura: Le simulazioni MC mostrano che, all'aumentare della temperatura e della concentrazione, la probabilità di trovare vacanze nel terzo strato aumenta rispetto allo strato superficiale, sebbene le vacanze superficiali compaiano occasionalmente ad alte temperature.

Significatività
Il lavoro sostiene che questo studio introduca un nuovo framework teorico per svelare le complesse strutture delle vacanze nei metalli ossidi disaccoppiando le interazioni many-body. La principale significatività risiede nella scoperta che le vacanze di ossigeno nella ceria ridotta $CeO_2(111)$ non rimangono confinate nella superficie o nel sottosuperficie ad alte concentrazioni, ma migrano nel terzo strato di ossigeno per massimizzare il rilassamento geometrico. Questa scoperta suggerisce che le precedenti interpretazioni della chimica superficiale della ceria, che hanno trascurato il terzo strato, potrebbero richiedere una rivalutazione. L'approccio accoppiato di machine-learning e cluster expansion è presentato come un metodo robusto per studiare altri ossidi metallici con strutture reticolari ben definite, offrendo una via per comprendere i meccanismi redox e catalitici in modo più accurato.