Using graph neural networks to predict many-body interactions in amorphous materials

Sintesi Tecnica: Utilizzo di Reti Neurali a Grafo per Predire le Interazioni Many-Body in Materiali Amorfi

Problematica
Le interazioni many-body sono fondamentali per il comportamento dei materiali amorfi, che spaziano dai vetri metallici ai tessuti biologici. Tuttavia, la modellazione computazionale di questi sistemi è stata storicamente limitata a potenziali additivi a coppie (pairwise-additive) a causa del costo proibitivo nel risolvere accuratamente le interazioni di ordine superiore. Questa limitazione impedisce una caratterizzazione completa del paesaggio dell'energia potenziale (PEL) ad alta dimensionalità e rugoso, che governa la dinamica lenta e il comportamento vetroso di questi materiali. Sebbene i potenziali interatomici basati sul machine learning (MLIP) abbiano mostrato risultati promettenti nella modellazione delle interazioni atomiche, la loro capacità di risolvere il complesso PEL di sistemi vetrosi "soft", dominati da interazioni dipendenti dall'angolo, rimane una questione aperta. Inoltre, gli MLIP esistenti non sono stati estesi ai vetri soft, ed è incerto se possano generalizzare da dati di addestramento fuori equilibrio ad alta energia verso stati di equilibrio a bassa energia.

Metodologia
Gli autori affrontano questa sfida applicando la rete neurale a grafo (GNN) equivariante a passaggio di messaggi, NequIP, a un modello di vetro soft composto da nanoparticelle con polimeri innestati (PGN) privi di solvente. In questo sistema, l'assenza di solvente costringe le catene polimeriche innestate a riempire uniformemente lo spazio interstiziale, creando forti interazioni many-body dipendenti dall'angolo tra i nuclei delle particelle che non possono essere catturate da potenziali a coppie.

Il flusso di lavoro prevede tre fasi primarie:

1. Generazione dei Dati tramite DFT Classica: Gli autori utilizzano la teoria del funzionale della densità (DFT) classica per modellare le interazioni mediate dai polimeri. Campionano 5.000 configurazioni non correlate, ad alta energia e fuori equilibrio di PGN utilizzando la dinamica di sfere rigide. L'energia potenziale per ogni configurazione è calcolata utilizzando la DFT classica, che tratta i polimeri come un fluido incomprimibile che riempie lo spazio vuoto. Ciò genera un dataset che copre la regione ad alta energia del PEL.
2. Addestramento della GNN: NequIP viene addestrata su questo dataset per apprendere la mappatura dalle coordinate delle particelle all'energia potenziale. La rete utilizza rappresentazioni tensoriali che sono equivarianti rispetto a traslazioni, rotazioni e riflessioni, permettendole di catturare effetti many-body anisotropi. Gli autori analizzano sistematicamente gli iperparametri, inclusi il raggio di cutoff ($r_{cut}$), il numero di strati di passaggio di messaggi ($n_l$) e la risoluzione angolare massima ($l_{max}$), per determinare l'intervallo fisico e l'ordine delle interazioni.
3. Simulazioni Monte Carlo (MC) guidate dalla GNN: Una volta addestrata, la GNN sostituisce la DFT classica nelle simulazioni Monte Carlo. Questa accelerazione (quattro ordini di grandezza più veloce) consente l'esplorazione dei minimi profondi del PEL, permettendo al sistema di raggiungere configurazioni di equilibrio che erano inaccessibili durante la fase di addestramento.

Contributi Chiave e Risultati

• Apprendimento Accurato del PEL: Il modello Nequip addestrato riproduce le energie della DFT classica con un errore medio assoluto (MAE) di circa 0,01 $\sigma_E$ (deviazione standard dell'energia) attraverso vari parametri di progettazione (densità di innesto, frazione di volume del nucleo, peso molecolare del polimero). Ciò corrisponde a errori per particella ben al di sotto della scala dell'energia termica ($k_B T$).
• Approfondimenti Fisici sull'Intervallo e l'Ordine di Interazione: L'analisi sistematica degli iperparametri rivela che previsioni accurate richiedono un ampio raggio di cutoff ($r_{cut}/d \approx 6$), indicando che le interazioni efficaci si estendono ben oltre i vicini immediati a causa di correlazioni many-body piuttosto che forze a coppie a lungo raggio. Inoltre, la convergenza dell'errore rispetto al numero di strati di passaggio di messaggi ($n_l$) suggerisce che le correlazioni a quattro corpi sono cruciali per la previsione dell'energia nei PGN senza solvente, contrastando con i sistemi con solvente dove le interazioni a tre corpi sono spesso sufficienti. La necessità di rappresentazioni equivarianti ($l_{max} \ge 1$) conferma la natura altamente direzionale di queste interazioni.
• Generalizzazione Fuori Distribuzione (Out-of-Distribution): Un risultato sorprendente è la capacità della rete di predire strutture di equilibrio nonostante sia stata addestrata esclusivamente su configurazioni ad alta energia e fuori equilibrio. Le simulazioni MC guidate dalla GNN recuperano strutture di equilibrio che concordano con le misurazioni sperimentali (ad esempio, distanze tra vicini prossimi da SAXS) e con le previsioni della DFT classica. La distribuzione dell'energia di equilibrio si trova ben al di fuori della distribuzione di addestramento, eppure la GNN mantiene un'accuratezza di livello DFT, dimostrando una robusta generalizzazione.
• Scoperta dell'Ordine Locale: L'analisi delle strutture di equilibrio rivela l'assenza di un ordinamento di tipo cristallino ma la presenza di strutture locali di tipo icosaedrico favorito. Queste strutture sono fortemente correlate con volumi di Voronoi specifici (forme dodecaedriche) che minimizzano l'energia libera dei polimeri innestati. Questo ordinamento locale è osservato solo all'equilibrio ed è assente nei dati di addestramento fuori equilibrio.
• Iperuniformità: Le strutture di equilibrio esibiscono fluttuazioni di densità a lungo raggio soppresse (iperuniformità), una caratteristica coerente con le osservazioni sperimentali dei PGN senza solvente, che non è presente nelle configurazioni campionate con sfere rigide fuori equilibrio.

Significatività
Il lavoro dimostra che le GNN equivarianti possono apprendere con successo i paesaggi dell'energia potenziale ad alta dimensionalità e rugosi di sistemi vetrosi soft dominati da interazioni many-body. Addestrandosi su dati ad alta energia computazionalmente accessibili, il modello può predire proprietà e strutture di equilibrio che sarebbero altrimenti computazionalmente proibitive da ottenere tramite DFT classica. Questo lavoro stabilisce un workflow pratico per lo studio di materiali amorfi in cui gli effetti many-body sono non trascurabili, offrendo una strada verso il design inverso e una comprensione più profonda della relazione struttura-dinamica nei sistemi vetrosi. I risultati suggeriscono che le caratteristiche strutturali nascoste condivise tra gli stati di equilibrio e non di equilibrio possono essere estratte dai modelli di ML, motivando potenzialmente nuovi parametri d'ordine basati sulla fisica.