Data-Driven Prediction of NaCl-Type Entropy-Stabilized Oxide Compositions from First-Principles and Supervised Learning

Definizione del Problema

Gli ossidi stabilizzati dall'entropia (ESO) offrono l'accesso a vasti spazi composizionali multicomponenti con potenziali proprietà senza precedenti. Tuttavia, l'identificazione di candidati promettenti è difficile a causa dell'enorme numero di miscele possibili e della difficoltà di valutare la loro stabilità termodinamica rispetto a fasi concorrenti. Le tradizionali ricerche sperimentali brute-force sono dispendiose in termini di tempo e non esiste una regola di progettazione generale per selezionare set di elementi favorevoli. Nello specifico, gli autori mirano a sottoporre a screening equimolari ossidi quinerari ($n=5$ cationi) nel tipo di struttura NaCl (rocksalt), un sistema in cui la miscelazione di cinque ossidi ordinati non garantisce sempre la stabilizzazione di un ESO a fase singola.

Metodologia

Gli autori hanno sviluppato un flusso di lavoro computazionale ad alto rendimento che integra la Teoria del Funzionale della Densità (DFT), le Strutture Speciali Quasi-Casuali (SQS), la termodinamica dell'inviluppo convesso (convex-hull) e l'apprendimento supervisionato (machine learning).

1. Costruzione del Database di Riferimento:

   • È stato costruito un database coerente di ossidi binari e ternari ordinati utilizzando 1 १६ specie cationiche (Ca, Cu, Co, Fe, Hf, In, Mg, Mn, Ni, Sn, Sr, Ti, V, Y, Zn, Zr).
   • I calcoli hanno utilizzato sia funzionali GGA (PBE) che meta-GGA (r2SCAN). Le correzioni dell'energia dello zero di punto (ZPE) sono state applicate alle fasi ordinate utilizzando Phonopy.
   • Il database include vari prototipi cristallini (ad es. corindone, rutilo, spinello) per garantire un inviluppo convesso dello stato fondamentale robusto.

2. Modellazione del Disordine (SQS):

   • Il disordine atomico nelle soluzioni solide equimolari è stato modellato utilizzando SQS generate tramite l'Alloy Theoretic Automated Toolkit (ATAT).
   • Le espansioni di cluster includevano cluster di coppia fino al 7° vicino più prossimo.
   • Le dimensioni delle supercelle sono state ottimizzate in base all'errore quadratico medio (RMSE) della correlazione e alla convergenza dell'energia totale DFT: 32 atomi per i binari, 48 per i ternari e 60 atomi per i sistemi quinerari.
   • La ZPE per le miscele disordinate è stata approssimata come una combinazione lineare delle ZPE degli end-member ordinati, validata per introdurre un errore trascurabile (<1%) nell'entalpia di miscelazione.

3. Valutazione della Stabilità Termodinamica:

   • La stabilità è stata valutata tramite un algoritmo iterativo personalizzato dell'inviluppo convesso in uno spazio composizionale a sei dimensioni ($x = \{x_{M1}...x_{M5}, x_O\}$).
   • La distanza dall'inviluppo ($\Delta_{hull}H$) determina la stabilità a 0 K.
   • La stabilizzazione a temperatura finita ($T_{stab}$) è stata definita come la temperatura in cui l'energia libera di Gibbs dell'ESO interseca l'inviluppo convesso delle fasi concorrenti, tenendo conto dell'entropia configurazionale ($\Delta S_{conf}$) approssimata tramite l'espressione di Boltzmann.

4. Screening tramite Machine Learning (ML):

   • Per sottoporre a screening in modo accessibile tutte le 4.368 possibili combinazioni equimolari quinerari ($\binom{16}{5}$), sono stati sviluppati modelli di apprendimento supervisionato per predire $\Delta_{hull}H$.
   • Il set di addestramento consisteva in 416 configurazioni SQS quinerari calcolate tramite DFT (circa il 10% del totale dello spazio) insieme a dati unari, binari e ternari ordinati.
   • Le caratteristiche di input includevano frazioni cationiche e descrittori fisico-chimici (numero atomico, raggio, elettronegatività, ecc.).
   • Tre modelli sono stati messi a confronto: Regressione Lineare, Random Forest e Multilayer Perceptron (MLP).

Risultati Chiave

• Performance del Database e del Funzionale: Il funzionale meta-GGA (r2SCAN) ha fornito un accordo significativamente migliore con gli stati fondamentali sperimentali e energie dell'inviluppo convesso inferiori (di 10–20 kJ/mol) rispetto a PBE, particolarmente per gli ossidi di metalli di transizione.
• Validazione SQS: Le supercelle da 60 atomi scelte per i sistemi quinerari hanno raggiunto RMSE di correlazione vicini allo zero e fluttuazioni di energia inferiori a 1 kJ/mol. L'approssimazione lineare della ZPE è stata validata rispetto a calcoli fononici completi su un sistema binario.
• Performance del Machine Learning:
  • L'MLP ottimizzato ha ottenuto le migliori prestazioni predittive con un test RMSE di 4,24 ± 0,19 kJ/mol.
  • Questo modello ha richiesto calcoli DFT espliciti per solo ~10% dei sistemi quinerari per predire le proprietà dell'intero set di 4.368 composizioni.
  • L'MLP ha superato la Regressione Lineare (6,09 kJ/mol) e il Random Forest (4,86 kJ/mol), evidenziando l'importanza delle correlazioni non lineari nella stabilità degli ossidi multicomponenti.
• Identificazione dei Candidati: Il workflow ha identificato 72 candidati con $T_{stab} < 3.500$ K. I primi 10 candidati (ad es. (Ca,Cu,Fe,Mg,Zn)O con $T_{stab} \approx 1.676$ K) sono stati elencati, mostrando vincoli chimici ragionevoli (bilancio di carica).
• Validazione Sperimentale:
  • La sintesi sperimentale di candidati selezionati (ad es. (Cu,Fe,Mg,Sr,Zn)O e (Ca,Co,Cu,Mg,Zn)O) ha rivelato che, sebbene si siano formate alcune fasi di tipo NaCl, esse spesso esibivano segregazione cationica (ad es. Sr/Fe o Ca che si separavano in fasi distinte) o fondevano al di sotto della $T_{stab}$ prevista.
  • I percorsi di decomposizione computazionale hanno predetto correttamente la tendenza di elementi con grandi differenze di dimensione o chimiche (come Ca o Sr) a segregare invece di formare un ESO quinerario a fase singola.
  • Il modello ha recuperato con successo gli ESO noti (ad es. (Co,Cu,Mg,Ni,Zn)O) tra le temperature di stabilizzazione predette più basse.

Significato e Rivendicazioni

Il paper sostiene di aver stabilito una via efficiente e guidata dai dati per esplorare gli ossidi multicomponenti. I suoi principali contributi sono:

1. Efficienza Metodologica: Dimostrare che un modello di ML supervisionato, addestrato su un piccolo sottoinsieme di dati DFT, può efficacementamente sottoporre a screening migliaia di complesse composizioni quinerari, riducendo il costo computazionale dello screening ad alto rendimento.
2. Intuizione Fisica: L'approccio cattura le principali tendenze di stabilità e le fasi concorrenti dominanti, fornendo una classificazione fisicamente significativa di nuovi candidati. Conferma che l'entropia configurazionale da sola non è sufficiente per stabilizzare gli ESO quinerari di tipo NaCl a fase singola; i fattori entalpici (trasferimento di carica, stati di ossidazione) e la competizione con ossidi di ordine inferiore sono critici.
3. Guida Pratica: Sebbene le temperature assolute di stabilizzazione siano influenzate da approssimazioni termodinamiche sistematiche (ad es. l'omissione dell'entropia magnetica, della termodinamica della fase liquida), il framework fornisce una guida pratica agli sperimentali per dare priorità alle composizioni e razionalizzare i risultati della sintesi, come la necessità di evitare elementi che causano la fusione prematura o la segregazione.

Gli autori concludono che il loro workflow funge da efficace strumento di screening per dare priorità alle composizioni promettenti, pur rimanendo modesti riguardo alla precisione dei valori assoluti di $T_{stab}$, notando che questi dovrebbero essere interpretati come indicatori comparativi piuttosto che esatte temperature di sintesi.