A Multi-Scale Machine Learning Framework for Coupled Chemical, Spin, and Structural Disorder in Alloys

Sintesi Tecnica: Un Framework di Machine Learning Multi-scala per il Disordine Accoppiato Chimico, di Spin e Strutturale nelle Leghe

Problematica
Le proprietà termodinamiche delle leghe magnetiche disordinate sono governate dal complesso intreccio tra disordine configurazionale (specie chimiche e orientazioni di spin) e disordine strutturale (distorsioni del reticolo locale). Sebbene i metodi computazionali esistenti possano affrontare questi fattori individualmente — utilizzando simulazioni Monte Carlo (MC) per il campionamento configurazionale e Dinamica Molecolare (MD) per la dinamica strutturale — essi non riescono a catturare l'intrinseco accoppiamento in cui i cambiamenti nell'occupazione dei siti generano forze che alterano la geometria del reticolo. La modellazione accurata di questo sistema accoppiato è computazionalmente proibitiva per la Teoria del Funzionale della Densità (DFT) a causa della necessità di supercelle di grandi dimensioni e di un esteso campionamento. Inoltre, i modelli surrogati tradizionali, come i campi di forza classici o le espansioni di cluster, spesso assumono geometrie reticolari fisse o mancano della capacità di descrivere simultaneamente i gradi di libertà chimici, di spin e strutturali.

Metodologia
Gli autori propongono un framework unificato multi-scala che integra modelli di machine learning (ML) con metodi di campionamento statistico per affrontare tali limitazioni. L'architettura centrale accoppia simulazioni MC (per il campionamento configurazionale) con simulazioni MD (per il rilassamento strutturale) in un ciclo annidato:

1. Schema di Campionamento: Il framework propone mosse MC (scambi elementari, inversioni di spin e salti interstiziali). Invece di valutare queste mosse su un reticolo statico, ogni mossa proposta innesca una breve traiettoria NPT-MD (numero di particelle, pressione e temperatura costanti) per consentire al reticolo di rilassarsi e catturare le distorsioni strutturali.
2. Potenziali di Machine Learning:
   • Reti Neurali a Grafo (GNN): Viene impiegata una GNN basata su Transformer per valutare l'energia totale e i momenti magnetici rilassati per sito ($\{s_{i,relaxed}\}$) per una data configurazione. Fondamentalmente, la GNN riceve sia le specie atomiche che la iniziale ipotesi di spin come caratteristiche dei nodi, addestrandola a predire i momenti rilassati in modo autosicuro e l'energia totale. Ciò consente al modello di gestire configurazioni di spin arbitrarie richieste per il campionamento MC.
   • Potenziali Interatomici di Machine Learning (MLIP): Il modello CHGNet viene perfezionato per predire le forze interatomiche e gli stress. Queste derivate dell'energia totale guidano i rilassamenti strutturali (MD) e garantiscono un campo di forza conservativo. Gli autori osservano che, sebbene CHGNet predica i momenti magnetici dello stato fondamentale, viene utilizzato qui esclusivamente per la dinamica strutturale, poiché i calcoli benchmark DFT indicano che le configurazioni magnetiche non influenzano significativamente le forze e gli stress in questo sistema.
3. Media Termodinamica: L'energia configurazionale effettiva per una proposta mossa MC è calcolata mediando le energie di diversi snapshot estratti dalla traiettoria MD. Questa energia viene poi utilizzata nel campionamento di Metropolis o Wang-Landau per accettare o rifiutare la mossa, generando un ensemble che cattura sia il disordine configurazionale che quello strutturale.

Contributi Chiave

• Framework Unificato: Il documento stabilisce il primo framework computazionale capace di modellare simultaneamente il disordine accoppiato chimico, di spin e strutturale nelle leghe utilizzando una combinazione di GNN e MLIP all'interno di un ciclo di campionamento statistico.
• Architettura del Modello: Lo sviluppo di una specifica architettura GNN che accetta configurazioni di spin iniziali come input per predire i momenti magnetici rilassati e le energie totali, superando il limite dei modelli ML standard che tipicamente predicono solo proprietà dello stato fondamentale.
• Costruzione del Dataset: La creazione di due dataset specializzati per le leghe Fe-Co-C: uno per il fine-tuning dell'MLIP (focalizzato su distorsioni strutturali e forze) e uno per l'addestramento della GNN (focalizzato su diverse configurazioni chimiche/di spin e momenti magnetici rilassati).

Risultati
Il framework è stato applicato a leghe Fe-Co con droganti di carbonio interstiziale con struttura cubica a corpo centrato (BCC):

• Temperature di Transizione di Fase: Il framework ha predetto con successo la temperatura di transizione ordine-disordine per Fe-Co a 1.000 K, in eccellente accordo con il valore sperimentale di 1.006 K. Ha inoltre predetto la temperatura di fusione a 1.690 K, corrispondente all'approssimazione sperimentale di ~1.700 K.
• Ruolo delle Distorsioni Strutturali:
  • Senza distorsioni strutturali (reticolo fisso), il framework ha identificato una configurazione a catena di carbonio lineare come stato fondamentale, portando a una temperatura di transizione ordine-disordine elevata per il carbonio (>1.700 K) a causa delle interazioni C-C.
  • Con le distorsioni strutturali (NPT-MD), la configurazione a catena di carbonio è stata destabilizzata perché le distorsioni del reticolo locale attorno agli atomi di carbonio hanno rotto la simmetria di cancellazione delle forze. Di conseguenza, la temperatura di transizione ordine-disordine del carbonio è stata significativamente ridotta, mentre la transizione Fe-Co è rimasta robusta vicino ai 1.000 K.
• Transizioni Strutturali: Il framework ha catturato una transizione indotta dalla temperatura da una struttura tetragonale a una quasi-cubica all'aumentare del disordine del carbonio. Ciò è stato quantificato tramite parametri di ordine reticolare anisotropo ($D_{ab}$ e $D_c$), che hanno mostrato grandi fluttuazioni a concentrazioni intermedie di carbonio (1,85%) a causa del passaggio del sistema tra due stati interstiziali con simmetria inequivalente.
• Accuratezza del Modello: L'MLIP perfezionato ha raggiunto un Errore Assoluto Medio (MAE) di 0,119 eV/Å per le forze e 0,443 GPa per gli stress. La GNN ha raggiunto un MAE di 34,0 meV/atomo per l'energia e 0,065 $\mu_B$ per i momenti magnetici, dimostrando affidabilità per il campionamento termodinamico.

Significatività
L'articolo sostiene che questo framework stabilisce uno strumento affidabile per lo studio di leghe con multi-disordine dove i gradi di libertà configurazionali e strutturali sono fortemente accoppiati. Riproducendo i benchmark sperimentali per Fe-Co-C con precisione di primo principio, il lavoro dimostra che trascurare le distorsioni strutturali può portare a sovrastime significative delle temperature di transizione di fase. Gli autori posizionano questo framework come un metodo trasferibile applicabile a sistemi disordinati complessi, citando specificamente le leghe ad alta entropia, i multiferroici e i dispositivi spintronici come potenziali aree di applicazione. Il lavoro evidenzia la necessità di integrare la dinamica strutturale guidata da ML con il campionamento configurazionale per predire correttamente le proprietà termodinamiche di questi materiali.