Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials

Sintesi Tecnica: Ottimizzazione Globale Grand Canonica Efficiente con Potenziali Interatomici di Machine Learning addestrati on-the-fly

Definizione del Problema
La caratterizzazione di materiali nanostrutturati in ambienti reattivi è ostacolata dalla complessità dei motivi strutturali e delle loro trasformazioni chimiche. Sebbene i metodi di ottimizzazione globale (GO) possano predire strutture stabili, affrontare simultaneamente gli spazi di ricerca configurazionale e composizionale è computazionalmente proibitivo quando ci si affida a calcoli basati sui primi principi (first-principles). Gli approoli tradizionali tipicamente ottimizzano una singola stechiometria alla volta, richiedendo ricerche separate per ogni possibile stato chimico (ad esempio, variando il contenuto di ossigeno). Questa scalabilità è inefficiente, poiché il numero di stechiometrie richieste cresce esponenzialmente con il numero di elementi costituenti. Inoltre, molte stechiometrie valutate sono instabili e irrilevanti per le condizioni di reazione target, sprecando risorse computazionali.

Metodologia
Gli autori implementano un algoritmo di Ottimizzazione Globale Grand Canonica (GCGO) all'interno della libreria Python Atomistic Global Optimization X (AGOX). Questo approccio integra Potenziali Interatomici di Machine Learning (MLIP) addestrati on-the-fly con un framework di termodinamica ab initio per esplorare simultaneamente gli spazi strutturale e composizionale.

Componenti metodologici chiave:

• Modello Surrogato: L'algoritmo utilizza un modello di Regressione dei Processi Gaussiani (GPR) Sparsa basato sul descrittore Smooth Overlap of Atomic Positions (SOAP). Questo modello GPR locale viene addestrato on-the-fly durante la ricerca. È "estensivo rispetto alla dimensione" (size-extensive), il che significa che può predire le energie per strutture con numeri variabili di atomi (diverse stechiometrie) decomponendo l'energia totale in contributi atomici.
• Framework Termodinamico: Inveve di ottimizzare solo l'energia potenziale, l'algoritmo valuta l'energia libera di formazione di Gibbs ($\Delta G_c$) per ogni candidato. Questa viene calcolata utilizzando l'approssimazione termodinamica ab initio:
  $$\Delta G_c = E_c - E_r - \sum_{v} \Delta n_v (E_v + \Delta \mu_v)$$
  dove $E$ rappresenta le energie potenziali a 0 K, $\Delta n_v$ è la variazione del numero di atomi e $\Delta \mu_v$ tiene conto dei potenziali chimici dei serbatoi (ad esempio, l'ossigeno $O_2$ gassoso) dipendenti da temperatura e pressione. I contributi termici alle strutture candidate vengono trascurati per mantenere l'efficienza computazionale, una semplificazione validata dagli autori come capace di fornire diagrammi di fase qualitativamente corretti.
• Ciclo di Apprendimento Attivo (Active Learning): L'algoritmo segue un ciclo iterativo:
  1. Generazione: Nuovi candidati vengono generati tramite randomizzazione, lattice rattling o mediante l'aggiunta o rimozione di atomi (Addition/Removal Generator) da strutture semente.
  2. Selezione: Un modulo Sampler seleziona i semi basandosi sull'energia libera di Gibbs. Sono stati introdotti due sampler specifici: un sampler standard dell'energia libera di Gibbs e un K-Means Gibbs energy sampler che raggruppa i candidati per similarità strutturale (SOAP) per garantire un'esplorazione diversificata.
  3. Rilassamento & Valutazione: I nuovi candidati vengono rilassati utilizzando l'MLIP. Un modulo Acquisitor seleziona i candidati per la valutazione ad alto livello dei primi principi basandosi su una funzione di acquisizione: $F = \Delta G^M_c - \kappa\sigma$. Questa funzione bilancia la stabilità predetta ($\Delta G^M_c$) e l'incertezza del modello ($\sigma$), favorendo i candidati che sono predetti come stabili ma strutturalmente distinti dal set di addestramento.
  4. Addestramento: I candidati selezionati vengono valutati al livello di teoria target (DFT o un MLIP ad alta fedeltà) e aggiunti al set di addestramento per aggiornare il modello GPR.

Contributi Chiave

1. Implementazione Algoritmica: Lo sviluppo di un algoritmo GCGO capace di gestire molteplici stechiometrie simultaneamente, superando i limiti dei metodi di GO a stechiometria fissa.
2. Efficienza tramite Addestramento On-the-fly: La dimostrazione che i modelli MLIP basati su GPR, addestrati dinamicamente durante la ricerca, riducono significativamente il numero di costose valutazioni dei primi principi necessarie per trovare i minimi globali rispetto ai metodi tradizionali.
3. Modellazione Estensiva rispetto alla Dimensione: Il successo nell'applicazione di modelli SOAP-GPR a sistemi con composizioni variabili, consentendo il confronto diretto delle energie di Gibbs tra diversi stati chimici senza dover riaddestrare modelli separati per ogni stechiometria.
4. Esplorazione Guidata dall'Incertezza: L'integrazione delle stime di incertezza derivate dalla GPR nella funzione di acquisizione per guidare la ricerca verso regioni inesplorate della superficie di energia potenziale.

Risultati
L'algoritmo è stato testato su tre sistemi con diversa complessità e livelli di teoria target:

• Cluster $Ir_3O_x$ isolati: Utilizzando un MLIP MACE come teoria target, l'algoritmo GCGO ha identificato con successo i minimi globali attraverso vari potenziali chimici dell'ossigeno ($\Delta \mu_O$). I tassi di successo cumulativi sono stati comparabili, e in alcuni casi superiori, a quelli delle ricerche a singola stechiometria. Notevolmente, una singola esecuzione GCGO ha identificato minimi globali per molteplici stechiometrie (ad esempio, $Ir_3$, $Ir_3O_2$ fino a $Ir_3O_9$), mentre le esecuzioni a singola stechiometria avrebbero trovato solo il minimo per la loro specifica composizione.
• $Pt_3O_x$ su $CeO_2(111)$: Utilizzando la DFT come teoria target, il metodo ha riprodotto e migliorato i risultati della letteratura precedente. Le esecuzioni GCGO hanno trovato minimi globali per $Pt_3O_6$ e $Pt_4O_4$ che erano rispettivamente più stabili di 0,70 eV e 0,56 eV rispetto a quelli trovati nei precedenti studi GOFEE a singola steosciometria. L'algoritmo ha navigato efficientemente il diagramma di fase, identificando stati stabili per diversi valori di $\Delta \mu_O$ con meno valutazioni DFT totali rispetto all'esecuzione di ricerche indipendenti a singola stechiometria.
• Superficie $Pd(100)$: L'algoritmo ha identificato con successo ricostruzioni superficiali, inclusa la transizione da una superficie metallica pura a stati decorati con ossigeno e, infine, a una fase di ossido superficiale ($Pd_4O_4$) in condizioni ossidanti. Il diagramma di fase risultante concorda bene con i precedenti risultati sperimentali e teorici.

Significatività e Rivendicazioni
Il documento afferma che l'algoritmo GCGO costituisce una promettente alternativa ai metodi esistenti per la caratterizzazione dei catalizzatori solidi in condizioni di reazione. La sua importanza primaria risiede nella capacità di:

• Identificare strutture stabili e stati chimici con maggiore efficienza rispetto agli approcci canonici che esplorano le stechiometrie indipendentemente.
• Rivelare regioni dei diagrammi di fase oltre le condizioni target immediate all'interno di una singola esecuzione computazionale.
• Fornire un quadro pratico per lo studio di nanomateriali complessi dove la fase stabile è sconosciuta a priori.

Gli autori osservano con modestia che, sebbene l'algoritmo sia altamente efficiente, non è un approccio operando formale a causa della trascuratezza dei contributi vibrazionali all'energia libera di Gibbs dei candidati. Tuttavia, sostengono che tale semplificazione fornisca confini di fase affidabili e che il metodo sia particolarmente efficace quando una singola stechiometria è significativamente più stabile di altre nelle condizioni target. Il lavoro apre la strada alla gestione di nanomateriali più grandi e complessi in ambienti reattivi riducendo l'ostacolo computazionale delle valutazioni dei primi principi.