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

Technische Samenvatting: Parametrisering van Empirische Interatomaire Potentialen via een Onherleidbare Afgeleide-benadering voor ThO₂ en UO₂

Probleemstelling
De nauwkeurigheid van klassieke moleculaire dynamica (MD) simulaties voor het voorspellen van thermofysische eigenschappen wordt fundamenteel beperkt door de kwaliteit van de gehanteerde empirische interatomaire potentialen (EIP's). Traditionele EIP's worden vaak geparametriseerd door te fitten aan experimentele gegevens, zoals roosterparameters, elasticiteitsconstanten en thermische expansie. Experimentele gegevens zijn echter vaak beperkt in kwantiteit en kwaliteit, met name voor complexe defectstructuren, en falen vaak om de details van de Born-Oppenheimer-potentiaal direct te verkennen. Gevolgelijk zijn traditionele parametriseringsstrategieën vaak ontoereikend voor het accuraat voorspellen van fonon-dispersies en hogere-orde fonon-interacties, die cruciaal zijn voor het begrijpen van thermisch transport en defectvorming in nucleaire brandstofmaterialen zoals thoriumdioxide (ThO₂) en uraniumdioxide (UO₂). Hoewel machine-learning interatomaire potentialen (MLIP's) een hogere nauwkeurigheid bieden, blijven hun computationele kosten en gebrek aan fysieke interpreteerbaarheid barrières. Er is behoefte aan een robuuste trainingsmethodologie die eerste-principes data kan benutten om fonon-gerelateerde eigenschappen te vangen zonder de computationele overhead van MLIP's.

Methodologie
De auteurs introduceren een trainingsbenadering voor EIP's gebaseerd op de directe vergelijking van onherleidbare afgeleiden (irreducible derivatives, ID's) tussen de doel-EIP en de Born-Oppenheimer-potentiaal afgeleid uit Density Functional Theory (DFT).

• Trainingsdata: In plaats van uitsluitend te vertrouwen op energieën en krachten, bevat de dataset tweede- en derde-orde verplaatsings-ID's en tweede-orde rek-ID's (strain ID's). Deze afgeleiden benutten de ruimtegroep-symmetrie volledig, waardoor training mogelijk is zonder redundante informatie. De trainingsset bestaat uit:
  • Tweede-orde verplaatsings-ID's binnen een $2 \times 2 \times 2$ supercel.
  • Derde-orde verplaatsings-ID's binnen een conventionele kubische supercel.
  • Tweede-orde rek-ID's.
  • Roosterparameters bij 0 K, genormaliseerde Born effectieve ladingen en Frenkel-paar (FP) vormingsenergieën.
• Potentiaalvorm: De studie parametriseert een EIP voor ThO₂ en UO₂ op basis van de bestaande CRG-potentiaal (die Buckingham, Morse en EAM termen gebruikt), maar verbetert deze door een core-shell model te incorporeren. In dit model splitst elke ion zich in een massieve kern en een massaloze schil verbonden door een harmonische veer, een kenmerk dat essentieel is voor het vangen van specifieke optische fononmodi.
• Optimalisatie: Er wordt een tweestaps-optimalisatieproces toegepast. Fase 1 gebruikt lokale optimalisatie (Nelder-Mead) om parameters en gewichten te verfijnen, waarbij trainingdata progressief wordt toegevoegd van basiseigenschappen naar complexe afgeleiden. Fase 2 maakt gebruik van globale optimalisatie (particle swarm algoritme) om de definitieve parameterset te finaliseren.
• Validatie: De resulterende potentialen (aangeduid als PW) worden gevalideerd tegenover DFT-berekeningen en experimentele data voor fonon-dispersie, elasticiteitsconstanten, thermische geleidbaarheid (berekend via de Boltzmann Transport Vergelijking in de relaxatietijd-benadering), thermische expansie en defectvormingsenergieën.

Belangrijkste Bijdragen en Resultaten

• Verbeterde Fonon-dispersie: De PW-potentialen presteren significant beter dan de veelgebruikte CRG-potentiaal. Terwijl de CRG-potentiaal de optische fononvertakkingen overschat en faalt om de frequentiekloof tussen de hoogste optische vertakkingen te vangen, reproduceert de PW succesvol de DFT-berekende dispersie en de optische vertakkingskloof, wat wordt toegeschreven aan de inclusie van het core-shell model.
• Thermische Geleidbaarheid: De PW levert substantiële verbeteringen in de voorspellingen van thermische geleidbaarheid vergeleken met de CRG. Bij 1000 K wordt de fout in de voorspelde thermische geleidbaarheid voor ThO₂ en UO₂ verminderd van 54% en 63% (CRG) naar 17% en 9% (PW), respectievelijk, vergeleken met experimentele data.
• Defectvormingsenergieën: Ondanks dat er slechts twee datapunten voor defectvorming zijn gebruikt (Th/U FP's in een conventionele cel), voorspelt de PW accuraat de vormingsenergieën voor O, Th en U FP's in grotere supercellen, met fouten binnen 9% van de DFT-waarden.
• Elasticiteitsconstanten: De PW biedt betere voorspellingen voor bepaalde elasticiteitsconstanten ($C_{11}$ en $C_{44}$ in ThO₂; $C_{44}$ in UO₂) vergeleken met de CRG, ook al was de CRG direct gefit aan experimentele elasticiteitsconstanten. Discrepanties in andere constanten worden toegeschreven aan verschillen tussen DFT en experimentele waarden in plaats van een falen van de potentiaal.
• Thermische Expansie: De PW vertoont een goede overeenstemming met experimentele thermische expansiedata tot 2500 K voor beide materialen.

Betekenis en Claims
Het artikel claimt dat het trainen van EIP's op basis van onherleidbare afgeleiden een veelbelovende richting is voor het ontwikkelen van accurate potentialen gericht op fonon-gerelateerde thermofysische eigenschappen. Door gebruik te maken van de ruimtegroep-symmetrie om redundante trainingsdata te minimaliseren en door hogere-orde afgeleiden te incorporeren, bereikt de benadering een hoge getrouwheid aan de eerste-principes data. De auteurs stellen dat hun methode een EIP oplevert die betrouwbaar DFT-data karakteriseert en superieur is aan traditionele potentialen in het voorspellen van fonon-dispersies en thermische geleidbaarheid. Verder demonstreren de auteurs dat het verbeteren van de analytische functionele vorm met een core-shell model essentieel is voor het vangen van specifieke optische fononmodi in actinidenoxiden. De auteurs suggereren dat deze ID-gebaseerde benadering nuttig kan zijn in de bredere context van machine learning-gebaseerde potentialen, als een pad om de efficiëntie van analytische vormen te combineren met de nauwkeurigheid van eerste-principes training.