Fine-Tuning a Universal Machine-Learned Interatomic Potential for Oxygen Plasma Interactions with WS$_2$

Sintesi Tecnica: Fine-Tuning di un Potenziale Interatomico Universale Appreso tramite Machine Learning per le Interazioni tra Plasma di Ossigeno e WS2

Definizione del Problema
Le simulazioni di dinamica molecolare (MD) delle interazioni plasma-superficie richiedono potenziali interatomici (IP) che bilancino accuratezza, efficienza computazionale e la capacità di descrivere sistemi complessi e reattivi che coinvolgono molteplici elementi e tipi di legame. I potenziali interatomici tradizionali spesso faticano a soddisfare simultaneamente tali richieste, in particolare per scenari industrialmente rilevanti come l'incisione a strato atomico (ALE) di dicalcogenuri di metalli di transizione bidimensionali (TMD) come il disolfuro di tungsteno (WS2). Una sfida specifica sorge nella modellazione delle interazioni del plasma di ossigeno con il WS2, dove la chimica coinvolge specie di ossigeno spin-polarizzate (ossigeno molecolare tripletto O2) e richiede correzioni Hubbard U per descrivere accuratamente gli stati W 5d dell'ossido di tungsteno (WOx). I modelli di base standard, sebbene potenti, sono spesso addestrati su dataset (ad esempio, Open Catalyst 2020) che mancano di configurazioni ad alta energia di bombardamento e di specifiche correzioni elettroniche (polarizzazione di spin, U) necessarie per questa chimica.

Metodologia
Gli autori impiegano un ciclo iterativo di fine-tuning per adattare il modello di base Universal Models for Atoms (UMA), specificamente la variante uma-s-1p1 addestrata sul compito Open Catalyst 2020 (OC20), per le interazioni del plasma di ossigeno con WS2 multistrato.

1. Configurazione della Simulazione: Le simulazioni MD modellano il bombardamento di un slab di 2H-WS2 con ioni O+ e O2+ da 15 eV. Il sistema tratta gli ioni in arrivo come neutri veloci (a causa del rapido trasferimento di carica) e utilizza un termostato di Berendsen stratificato per gestire il riscaldamento post-impatto. I cluster distaccati (SO, SO2, O, O2) vengono identificati dinamicamente e rimossi sulla base di specifici criteri geometrici e composizionali.
2. Ciclo di Fine-Tuning Iterativo:
   • Esplorazione MD: L'attuale modello genera traiettorie per esplorare lo spazio di configurazione W-S-O, utilizzando geometrie di slab sia piatte che a gradini.
   • Campionamento delle Configurazioni: Un sottoinsieme massimamente diversificato di configurazioni viene selezionato utilizzando descrittori Smooth Overlap of Atomic Positions (SOAP), Analisi delle Componenti Principali (PCA) e Farthest Point Sampling (FPS).
   • Etichettatura DFT: Le configurazioni selezionate vengono etichettate utilizzando la Teoria del Funzionale della Densità (DFT) al livello PBE+D3+U+spin. Ciò include la polarizzazione di spin e una correzione Hubbard U (2,87 eV sugli orbitali W 5d) per affrontare i limiti della struttura elettronica del modello preaddestrato OC20.
   • Aggiornamento del Modello: Il modello viene sottoposto a fine-tuning sui nuovi dati etichettati. Gli autori utilizzano principalmente una strategia di congelamento degli strati (layer freezing), aggiornando solo determinati strati e mantenendo congelati la maggior parte dei parametri del modello, sebbene siano stati testati anche il fine-tuning completo e la Low-Rank Adaptation (LoRA) per confronto.
3. Valutazione: Un set di test tenuto da parte (held-out) viene generato utilizzando il modello aggiornato per garantire una valutazione imparziale delle capacità di generalizzazione. La convergenza è valutata tramite l'Errore Assoluto Medio (MAE) su energia, forza e stress, nonché la convergenza degli osservabili fisici (copertura di S e O chemisorbito).

Contributi Chiave

• Adattamento di Modelli di Base: Lo studio dimostra la validità del fine-tuning di un modello di base general-purpose (UMA) per una specifica applicazione plasma-superficie ad alta energia che coinvolge complesse correzioni elettroniche (spin, U) non presenti nei dati di preaddestramento.
• Strategia di Campionamento Iterativo: L'implementazione di un ciclo iterativo che combina il campionamento della diversità basato su SOAP con l'etichettatura DFT assicura che il set di addestramento copra lo spazio di configurazione pertinente, incluse le configurazioni di alto impatto energetico e i diversi livelli di ossidazione.
• Strategia di Addestramento Efficiente: Il lavoro evidenzia l'efficacia del layer freezing nel fine-tuning di grandi modelli di base, raggiungendo un'elevata accuratezza con un numero ridotto di parametri addestrabili rispetto al fine-tuning completo.

Risultati

• Miglioramenti dell'Accuratezza: Dopo tre round di fine-tuning (R3), il modello ha raggiunto un Errore Assoluto Medio (MAE) di 4,5 × 10⁻³ eV/atomo per l'energia e di 0,076 eV/Å per la forza su un set di test tenuto da parte. Ciò rappresenta un miglioramento significativo rispetto al baseline preaddestrato (valutato rispetto allo stesso riferimento PBE+D3+U+spin), che aveva un MAE della forza di circa 0,23 eV/Å.
• Distribuzione dell'Errore: Il processo di fine-tuning non solo ha ridotto l'errore medio, ma ha anche ristretto la distribuzione degli errori, riducendo il limite di inclusione al 99% per gli errori di forza da ±1,343 eV/Å (preaddestrato) a ±0,479 eV/Å (R3), migliorando così la stabilità delle traiettorie MD.
• Osservabili Fisici: Fondamentalmente, lo studio ha rilevato che il modello UMA-S preaddestinato (senza fine-tuning) riproduce già i principali osservabili su scala di produzione: la rimozione monotona dello zolfo chemisorbito e l'assorbimento dell'ossigeno chemisorbito per formare WOx. I modelli sottoposti a fine-tuning (R2 e R3) sono confluiti nelle stesse traiettorie fisiche del modello preaddestrato, nonostante quest'ultimo manchi di polarizzazione di spin e correzioni Hubbard U. Il modello R1 ha mostrato lievi deviazioni, coerenti con i suoi parametri di errore più elevati.
• Analisi dell'Ambiente Locale: L'analisi di clustering BIRCH ha rivelato che le maggiori discrepanze iniziali si verificavano in ambienti ad alta coordinazione W-O, che sono stati efficacemente corretti dal terzo round di fine-tuning.

Significatività e Rivendicazioni
L'articolo sostiene che i modelli di base come UMA possono servire come solida base per le simulazioni plasma-superficie, anche per chimiche che coinvolgono specifiche correzioni elettroniche (spin, U) che erano assenti nei dati di preaddestramento. La principale significatività risiede nel dimostrare che il fine-tuning migliora significativamente l'accuratezza del potenziale di energia superficiale sottostante (riducendo il MAE e stabilizzando le distribuzioni di errore), mentre gli osservabili su scala di produzione di interesse (rimozione di S e assorbimento di O) erano già ben catturati dal modello preaddestinato. Ciò suggerisce che per certe applicazioni plasma-superficie, il costo computazionale di un esteso fine-tuning possa essere pesato rispetto al fatto che il modello di base fornisce già una descrizione qualitativamente corretta della dinamica macroscopica, sebbene il fine-tuning rimanga essenziale per raggiungere l'accuratezza quantitativa a livello DFT delle forze e delle energie sottostanti. Gli autori notano che un confronto quantitativo con le misurazioni sperimentali è riservato a una pubblicazione futura.