Scalable long-range machine learning interatomic potentials with electrical response for atomistic material modeling

La scienza dei materiali affronta da tempo un fondamentale divario. Da un lato si trovano le leggi della meccanica quantistica, che possono prevedere come si comportano i singoli atomi con perfetta precisione ma sono troppo lente per simulare più di qualche migliaio di atomi alla volta. Dall'altro lato ci sono le simulazioni massicce necessarie per comprendere i dispositivi del mondo reale, come batterie o chip per computer, che contengono milioni o miliardi di atomi ma spesso si affidano a regole semplificate che trascurano i dettagli sottili di come gli atomi interagiscono realmente. L'anello mancante è stato un modo per simulare enormi collezioni di atomi con l'accuratezza della fisica quantistica, specialmente quando quegli atomi sono sottoposti a campi elettrici. Nel mondo reale, l'elettricità spinge gli ioni a muoversi, cambia lo stato dei materiali e genera calore a livello microscopico. Per progettare dispositivi migliori, gli scienziati hanno bisogno di vedere questi processi svilupparsi su vaste distanze, ma la matematica necessaria per tracciare le forze elettriche invisibili tra ogni singolo atomo rende solitamente tali simulazioni di grandi dimensioni impossibili.

Un team di ricercatori della National University of Singapore ha colmato questo divario creando un nuovo framework computazionale che permette di simulare milioni di atomi con alta precisione, tenendo conto degli effetti elettrici a lungo raggio. Il loro lavoro, pubblicato recentemente, introduce un metodo chiamato DPA4C-LR. Questo sistema combina un modello locale altamente efficiente, che prevede come gli atomi spingano e tirino i loro vicini immediati, con un calcolo globale separato che gestisce le forze elettriche a lunga distanza. Dividendo il problema in questo modo, i ricercatori hanno evitato il collo di bottiglia computazionale che di solito impedisce agli scienziati di simulare grandi sistemi sotto campi elettrici. Hanno dimostrato che il loro approccio può girare su soli quattro potenti processori grafici per modellare un sistema contenente 5,2 milioni di atomi, una scala precedentemente irraggiungibile per questo livello di dettaglio.

La sfida centrale che il team ha risolto è stata come includere la risposta elettrica senza rallentare tutto il processo. In molti materiali, il modo in cui gli atomi rispondono a un campo elettrico dipende dal comportamento collettivo dell'intero sistema, non solo degli atomi vicini. I metodi tradizionali che tentano di calcolare questi effetti globali per ogni passaggio di una simulazione richiedono che tutti i dati siano conservati in un unico luogo, il che impedisce di distribuire il lavoro su più computer. Il nuovo metodo aggira questo problema trattando le forze elettriche a lungo raggio come un passaggio separato che può essere risolto efficientemente utilizzando tecniche matematiche consolidate, mentre le complesse interazioni locali sono gestite da un modello di machine learning che può essere distribuito su molti processori simultaneamente. Ciò consente alla simulazione di scalare fino a milioni di atomi senza perdere la capacità di prevedere come il materiale reagirà a una corrente o a un campo elettrico.

Per dimostrare che il loro sistema funziona, i ricercatori lo hanno testato su tre materiali molto diversi, ognuno dei quali richiede un gran numero di atomi per rivelare la verità. Per prima cosa, hanno esaminato l'acqua liquida. Le molecole d'acqua sono polari, il che significa che hanno un'estremità positiva e una negativa, e si riorientano costantemente in risposta ai campi elettrici. Il team ha simulato un enorme blocco d'acqua e ha applicato campi elettrici di intensità variabile. Il loro modello ha predetto con successo come lo spettro infrarosso dell'acqua — l'impronta digitale unica di come assorbe la luce — cambiasse al variare del campo. Ciò ha confermato che il sistema poteva inferire accuratamente come gli atomi si sarebbero mossi e avrebbero risposto all'elettricità, nonostante fosse stato addestrato solo su dati di energia e forza di base, senza mai essere stato esplicitamente istruito sugli campi elettrici.

Successivamente, il team ha affrontato un complesso materiale ceramico noto come ferroelettrico relaxor, nello specifico il niobato di piombo e magnesio. Questi materiali sono famosi per la loro capacità di cambiare polarizzazione, una proprietà utilizzata in sensori e attuatori, ma il loro comportamento è notoriamente difficile da simulare perché dipende da minuscole regioni disordinate di atomi che appaiono solo in campioni molto grandi. Quando i ricercatori hanno simulato piccoli pezzi di questo materiale, i risultati sembravano quelli di un cristallo ordinato standard. Tuttavia, quando hanno scalato la simulazione a quasi 30.000 atomi, il quadro è cambiato completamente. La simulazione più ampia ha rivelato un ciclo di isteresi "snello", una firma specifica della capacità del materiale di cambiare stato senza bloccarsi, che è la caratteristica distintiva di un relaxor. Questo risultato ha dimostrato che le dimensioni finite delle simulazioni precedenti avevano nascosto la vera natura del materiale, e che solo raggiungendo la scala di milioni di atomi era possibile osservare il comportamento corretto.

Infine, i ricercatori hanno applicato il loro metodo a un elettrolita allo stato solido, un materiale simile al vetro utilizzato nelle batterie di prossima generazione, specificamente l'ossicloruro di litio e niobio. In questi materiali, gli ioni devono muoversi liberamente attraverso una struttura disordinata per condurre elettricità. Il team ha simulato un grande campione di vetro e ha applicato un campo elettrico costante per osservare la deriva degli ioni di litio. Tracciando il movimento di questi oni nel tempo, hanno calcolato la conducibilità elettrica del materiale. Il risultato è stato un valore preciso di 6,8 ± 0,7 millisiemens per centimetro a temperatura ambiente. Questa misurazione era molto più affidabile delle stime precedenti derivate da simulazioni senza un campo applicato, che si basano su minuscole e casuali fluttuazioni termiche difficili da misurare con precisione. Il nuovo metodo ha fornito una visione chiara e diretta di come il materiale conduce l'elettricità, offrendo un benchmark affidabile per progettare componenti per batterie migliori.

Le implicazioni di questo lavoro vanno oltre questi esempi specifici. Dimostrando che gli effetti elettrici a lungo raggio possono essere calcolati efficientemente su milioni di atomi, i ricercatori hanno aperto la porta alla simulazione di interi strati di dispositivi piuttosto che solo di piccoli frammenti di essi. Ciò significa che gli scienziati possono ora modellare come il calore e l'elettricità fluiscono attraverso le interfacce in dispositivi reali, come il confine tra un chip di silicio e un dissipatore di calore in diamante, con un livello di dettaglio che prima era impossibile. Il framework non è solo un avanzamento teorico; è uno strumento pratico che gira su hardware esistente e può essere utilizzato per esplorare il comportamento dei materiali nelle esatte condizioni in cui si troveranno nel mondo reale. Poiché la domanda di dispositivi elettronici ed energetici più veloci ed efficienti cresce, la capacità di simulare questi sistemi alla scala di milioni di atomi fornisce una base cruciale per l'innovazione, permettendo ai ricercatori di prevedere e ottimizzare le prestazioni dei materiali prima che venga costruito un singolo prototipo fisico.