Parameterizing empirical interatomic potentials for predicting thermophysical properties via an irreducible derivative approach: the case of ThO$_2$ and UO$_2$

技術要約：ThO₂およびUO₂に対する既約微分を用いた経験的原子間ポテンシャルのパラメータ化

問題提起
熱物理特性を予測するための古典的な分子動力学（MD）シミュレーションの精度は、採用される経験的原子間ポテンシャル（EIP）の質によって根本的に制限される。従来のEIPは、格子定数、弾性定数、熱膨張などの実験データにフィッティングすることでパラメータ化されることが多い。しかし、実験データは、特に複雑な欠陥構造については量や質の両面で不足していることが多く、ボルン・オッペンハイマー・ポテンシャルの詳細を直接探るには不十分である。その結果、従来のパラメータ化戦略は、核燃料材料である二酸化トリウム（ThO₂）や二酸化ウラン（UO₂）における熱輸送や欠陥形成の理解に不可欠な、フォノン分散や高次フォノン相互作用を正確に予測するには不適切なポテンシャルを生み出すことが多い。機械学習原子間ポテンシャル（MLIP）は高い精度を提供するものの、その計算コストと物理的な解釈性の欠如が障壁となっている。したがって、MLIPの計算負荷を回避しつつ、第一原理データを利用してフォノン関連の特性を捉えるための、堅牢なトレーニング手法が求められている。

手法
著者らは、対象となるEIPと、密度汎関数理論（DFT）から導出されたボルン・オッペンハイマー・ポテンシャルの間の**既約微分（Irreducible Derivatives: ID）**を直接比較することに基づく、EIPのトレーニング手法を導入する。

• トレーニングデータ： エネルギーや力のみに依存するのではなく、データセットには、第2次および第3次の変位ID、ならびに第2次の歪みIDが含まれる。これらの微分は空間群の対称性を十分に活用しており、冗長な情報なしでのトレーニングを可能にする。トレーニングセットは以下で構成される：
  • $2 \times 2 \times 2$ スーパーセル内における第2次変位ID。
  • 慣用的な立方晶スーパーセル内における第3次変位ID。
  • 第2次歪みID。
  • 0 Kにおける格子定数、正規化されたボルン有効電荷、およびフレンケル対（FP）形成エネルギー。
• ポテンシャル形式： 本研究では、既存のCRGポテンシャル（Buckingham、Morse、およびEAM項を使用）に基づき、コア・シェルモデルを組み込むことで強化したEIPをThO₂およびUO₂に対してパラメータ化している。このモデルでは、各イオンが巨大なコアと、調和振動子で接続された質量ゼロのシェルに分割されるが、これは特定の光学フォノンモードを捉えるために不可欠な特徴である。
• 最適化： 2段階の最適化プロセスが採用されている。ステージ1では、基本的な特性から複雑な微分へと段階的にトレーニングデータを追加しながら、パラメータと重みの微調整を行う局所最適化（ネルダー・ミード法）を用いる。ステージ2では、パラメータセットを最終決定するためにグローバル最適化（粒子群最適化アルゴリズム）を利用する。
• 検証： 得られたポテンシャル（PWと表記）は、フォノン分散、弾性定数、熱伝導率（緩和時間近似によるボルツマン輸送方程式を用いて算出）、熱膨張、および欠陥形成エネルギーに関して、DFT計算および実験データに対して検証される。

主要な貢献と結果

• 改善されたフォノン分散： PWポテンシャルは、広く使用されているCRGポテンシャルを大幅に上回る性能を示す。CRGポテンシャルは光学フォノン枝を過大評価し、最高次光学枝間の周波数ギャップを捉えることに失敗するが、PWは、コア・シェルモデルの導入により、DFT計算による分散および光学枝のギャップを正確に再現する。
• 熱伝導率： PWは、CRGと比較して熱伝導率の予測において大幅な改善をもたらす。1000 Kにおいて、実験データと比較した際の熱伝導率の予測誤差は、ThO₂およびUO₂において、CRGの54%および63%から、PWではそれぞれ17%および9%へと減少した。
• 欠陥形成エネルギー： 欠陥形成に関するデータポイントは、慣用的なセル内の2点（Th/U FP）のみでトレーニングされているにもかかわらず、PWはより大きなスーパーセルにおけるO、Th、およびUのFP形成エネルギーを正確に予測し、誤差はDFT値の9%以内であった。
• 弾性定数： CRGは実験的な弾性定数に直接フィッティングされているにもかかわらず、PWは特定の弾性定数（ThO₂における$C_{11}$および$C_{44}$、$C_{44}$におけるUO₂）において、より優れた予測を提供する。他の定数における不一致は、ポテンシャルの失敗ではなく、DFTと実験値の間の差異に起因するものと指摘されている。
• 熱膨張： PWは、両方の材料について2500 Kまでの実験的な熱膨張データと良好な一致を示している。

意義と主張
本論文は、既約微分に基づいてEIPをトレーニングすることが、フォノン関連の熱物理特性に焦点を当てた正確なポテンシャルを開発するための有望な方向性であることを主張している。空間群の対称性を利用して冗長なトレーニングデータを最小限に抑え、高次の微分を取り入れることで、第一原理データへの高い忠実度を達成している。著者らは、この手法が、解析的な形式の効率性と第一原理トレーニングの精度を組み合わせる経路を提供し、DFTデータを信頼通りに特徴付けるEIPを実現するものであると断言している。さらに、本研究は、解析的な関数形式をコア・シェルモデルによって強化することが、アクチノイド酸化物における特定の光学フォノンモードを捉えるために不可ら欠であることを示している。著者らは、このIDベースのアプローチが、より広範な機械学習ベースのポテンシャルの文脈においても有用であり、解析的な形式の効率性と第一原理の精度を融合させる道筋を提供できると考えている。