PASS: Perturbation augmented space group structure sampling for transferable Fe-O machine learning interatomic potential

技術要約：PASS：転移性の高いFe-O機械学習原子間ポテンシャルのための摂動拡張空間群構造サンプリング

問題提起
鉄（Fe）の酸化に関する正確な原子論的モデリングは、Fe-酸素（O）系の構造的および磁気的な複雑さにより、依然として大きな課題となっている。この系は、異なる結晶構造と磁気秩序（反強磁性対フェリ磁性）を持つ複数の安定相（ウースタイト、ヘマタイト、マグネタイト）を示し、非化学量論的特性や高濃度の空孔を伴う。反応性力場（ReaxFF）が使用されてきたが、第一原理計算と比較して、精密な吸着エネルギーや物性予測に必要な精度に欠けることが多い。機械学習原子間ポテンシャル（MLIP）は量子レベルに近い精度を提供するが、酸化のような反応プロセスに必要な広大な構成空間をカバーするための代表的な訓練データセットの生成が困難であるという制限がある。既存の戦略（手動による専門家設計、反復的な能動学習、またはランダム構造探索（RSS））は、いずれも非効率であるか、事前の知識を必要とするか、あるいは歪み、欠陥、界面を含む多様な局所原子環境（LAE）を体系的にカバーできていない。

手法
著者らは、小さなセル（10原子未満）を用いてコンパクトかつ多様な訓練データセットを生成するための、ワンショットかつ対称性を考慮した戦略である**PASS（Perturbation Augmented Space Group structure Sampling：摂動拡張空間群構造サンプリング）**法を提案している。ワークフローは以下の3つの主要な段階で構成される：

1. データセット生成：

   • 初期構造： ユーザー指定の組成と最大原子数に基づき、PyXtalパッケージを用いて空間群構造を生成する。これらは、平衡配置（VolminおよびFullmin）を得るために、低精度のDFTによる段階的な緩和（体積最小化に続く完全な構造緩和）を受ける。
   • 摂動構造： 欠陥や反応経路に関連する非平衡なLAEを捉えるため、緩和された構造に対して系統的な摂動を適用する。これには、「ラトル（rattle）」操作（ガウスノイズを用いたランダムな原子変位）と、「ストレッチ（stretch）」操作（静水圧モードとせん断モードを混合したランダムな歪み行列）が含まれる。摂動パラメータのグリッドを用いて、構成空間を広範にサンプリングする。
   • 選択： 生成された構造のLAEをエンコードするために、高次元のSmooth Overlap of Atomic Positions（SOAP）記述子を使用する。主成分分析（PCA）によって次元を削減し、冗長性を最小限に抑えるために、最遠点サンプリング（FPS）を用いて最も代表的な構造を選択する。

2. ポテンシャルの訓練：

   • 選択された構造には、高精度な密度汎関数理論（VASPを用い、PBE-GGAおよび共線的スピン分極を使用）によるラベル付けが行われる。
   • MLIPは、PACEMAKERパッケージを介して**原子クラスター展開（ACE）**フレームワークを用いて訓練される。訓練は、純粋なFe、Fe-O、および純粋なOの系に焦点を当て、磁気自由度は訓練データ内の固定された強磁性的秩序を通じて暗黙的に扱われる。

3. 検証と適用：

   • 訓練されたACEポテンシャルは、純粋なFeおよびFe-O系の熱力学的、構造的、機械的、および動力学的な性質について、DFTおよび実験データに対して系統的に検証される。
   • 最後に、このポテンシャルを大規模な分子動力学（MD）シミュレーションに適用し、複雑で化学的に進化する系に対する転移性をテストする。

主な貢献

• PASS手法： 空間群の対称性を活用し、制御された摂動を用いて小さなセルから代表的なデータセットを生成することで、能動学習サイクルに伴う計算コストを回避する、系統的かつ非反復的なサンプリング戦略の導入。
• 転移性の高いFe-O MLIP： 10原子未満の構造で訓練されたACEベースのポテンシャルの開発。これは、磁気自由度をポテンシャルの関数形式に明示的に含めることなく、大規模な系、表面、界面、および反応プロセスに対して高い精度と転移性を示す。
• 包括的な検証： 状態方程式、格子熱膨張、ベイン・パス、劈開エネルギー、スタッキング欠陥エネルギー、欠陥形成エネルギーを再現することを示す厳格なベンチマーク。
• 大規模酸化シミュレーション： BCC Fe(100)表面のナノ秒スケールの酸化シミュレーションへの適用に成功し、FeO様酸化層の形成と酸素拡散を捉えた。

結果

• データセットの多様性： 最終的なデータセットは約28,000の構造を含む。SOAP記述子のPCA分析により、PASS生成のデータセットが既存のアプリケーション固有のデータセット（破壊、変形など）の構成空間をカバーし、さらにそれを拡張して、バルク、表面、界面に関連する多様なLAEを捉えていることが確認された。
• 純粋Feの性能： ACEポテンシャルは、BCCおよびFCC相のDFT状態方程式曲線、格子熱膨張、およびベイン変換経路を正確に再現する。また、表面エネルギー、劈解のトラクション・セパレーション曲線、および一般化されたスタッキング欠陥エネルギーを含む機械的特性を正しく予測する。欠陥形成エネルギー（空孔および自己侵入原子）は、訓練セットにこれらの特定の欠陥構成が明示的に存在しないにもかかわらず、DFTの傾向を定性的に一致させている。
• Fe-O系の性能： ポテンシャルは、FeO、Fe2O3、およびFe3O4の格子定数、体積弾性率、および生成エンタルピーを正確に予測し、DFT(+U)の結果と一致し、磁性を明示的に考慮した既報のACEポテンシャル（ACE-Bienvenu）と同等の性能を示す。また、Fe表面へのO吸着エネルギー、O溶解エネルギー、およびBCC Fe中の拡散係数を、実験データと整合するように正確に予測する。CINEBを介して計算されたFeOおよびFe3O4における空孔移動障壁は、DFTと一致する傾向を示す。
• 酸化シミュレーション： 873 Kでの1 nsのMDシミュレーションにおいて、ポテンシャルは3つの異なる領域（酸化層、溶解した酸素を含む中間領域、およびバルクFe）の形成を捉える。酸化層の解析により、Fe:O比が1:1に近く、動径分布関数（RDF）がDFT緩和されたFeOと一致し、配位数も欠陥のあるFeOと一致することが明らかになり、FeO様の構造の形成が確認された。

意義と主張
本論文は、PASS法が複雑な反応系におけるデータセット生成のボトルネックを解決することに成功したと主張している。小さなセル（10原子未満）のみで訓練されたポテンシャルが、大規模な酸化現象を正確にモデル化できることを示すことで、本研究は、局所原子環境（LAE）とポテンシャルエネルギー表面（PES）の間の決定的なリンクが、コンパクトで多様なデータセットから学習可能であることを確立している。著者らは、これを、空間群に基づく小さなセルのサンプリング戦略が大規模で化学的に複雑なFe表面酸化に適用された最初の事例として位置づけている。

著者らは、現在のACEポテンシャルの限界について控えめなトーンを維持している。現在のACEポテンシャルはスピンを考慮しておらず、磁気自由度を明示的にモデル化していない。したがって、その適用範囲は、磁性がエネルギーに強く影響を与える領域（常磁性転移や高温のスピンゆらぎなど）に限定される。しかし、本研究は、固定された磁気設定の下で、構造的に転移可能な、酸化に依存しない系統的なデータセットによって訓練されたポテンシャルが、酸化成長の本質的な反応の複雑さを捉えるために十分であることを示しており、拡張された系に対して計算上実用的なツールを提供している。