XtalOpt Version 14: Variable-Composition Crystal Structure Search for Functional Materials Through Pareto Optimization

Dit artikel introduceert XtalOpt Versie 14, een verbeterd evolutionair multi-objectief algoritme dat Pareto-optimalisatie gebruikt en diverse computationele potentialen integreert om efficiënt grondtoestands kristalstructuren met variabele samenstellingen voor functionele materialen te voorspellen.

De kern

Stel je voor dat je een meesterkok bent die probeert het perfecte nieuwe recept voor een gerecht te ontdekken. Je wilt de absoluut beste versie van een maaltijd vinden die niet alleen heerlijk (stabiel) is, maar ook specifieke eigenschappen heeft, zoals een laag caloriegehalte of een hoog eiwitgehalte (functionele eigenschappen).

Dit artikel introduceert XtalOpt Versie 14, een geavanceerd computerprogramma dat fungeert als een assistent van een superchef. Het is zijn taak om automatisch miljoenen potentiële kristal"recepten" (structuren gemaakt van atomen) uit te vinden, te testen en te verfijnen om de beste te vinden.

Hier is hoe de nieuwe versie werkt, uitgelegd via eenvoudige analogieën:

1. De Grote Upgrade: Koken met Variabele Ingrediënten

In het verleden was dit programma als een chef die alleen een specifiek gerecht kon koken met een vaste hoeveelheid ingrediënten (bijv. precies 2 eieren en 1 kop bloem). Als je wilde zien wat er gebeurde met 3 eieren, moest je een hele nieuwe zoektocht starten.

Versie 14 is anders. Het kan nu koken met variabele ingrediënten. Het kan verschillende hoeveelheden elementen mengen en combineren (zoals 2 eieren vervangen door 3, of 1 kop bloem door 2) om te zien welke combinatie het beste gerecht creëert. Het zoekt niet alleen naar de perfecte "2-eieren"-taart; het verkent de hele voorraadkast om de beste taart te vinden, ongeacht de exacte verhouding van de ingrediënten.

2. De "Pareto"-strategie: Het Vinden van de Beste Compromissen

Wanneer je op zoek bent naar een nieuw materiaal, heb je vaak tegenstrijdige doelen. Je wilt misschien een materiaal dat zowel superhard én heel licht is. Meestal maakt het maken van iets harder het ook zwaarder.

De nieuwe versie gebruikt een strategie genaamd Pareto-optimalisatie. Stel je voor dat je een auto koopt. Je wilt een auto die snel, goedkoop én veilig is.

• De Oude Manier: Je probeerde deze te combineren in één enkele "score" (bijv. Snelheid + Kosten + Veiligheid = 100 punten). Dit dwong je vaak om een auto te kiezen die "gemiddeld" was en nergens echt uitblinkt.
• De Nieuwe Manier (Pareto): Het programma vindt een lijst met "best-in-class" auto's waarbij je één kenmerk niet kunt verbeteren zonder een ander te verslechteren. Het geeft je een menu van topopties: "Hier is de snelste auto," "Hier is de goedkoopste auto," en "Hier is de veiligste auto." Dit hel help wetenschappers om alle beste afwegingen te zien zonder een enkele, willekeurige keuze op te leggen.

3. De Genetische Keuken: Recepten Mengen en Combineren

Het programma gebruikt een "evolutionaire" aanpak, vergelijkbaar met hoe de natuur soorten evolueert. Het begint met een populatie willekeurige kristalstructuren en probeert de beste ervan te "kweken".

• Crossover (Mengen): Het neemt twee ouderstructuren en snijdt ze op om ze te mengen, zoals het samenvoegen van twee DNA-strengen. De nieuwe versie kan de ouders nu op meerdere plaatsen doorsnijden (zoals een brood in veel plakjes snijden en de plakjes uitwisselen) om meer diverse nakomelingen te creëren.
• Nieuwe Mutaties (De "Permutomic" en "Permucomp" chefs):
  • Permutomic: Dit is als een chef die willekeurig een enkel ingrediënt (een atoom) toevoegt of verwijdert om te zien of de smaak verbetert.
  • Permucomp: Dit is een chef die de ingrediëntenlijst van het recept volledig verandert (samenstelling) om iets totaal nieuws te proberen.
  • Opmerking: Deze nieuwe "chefs" werken alleen wanneer het programma de mogelijkheid heeft om de ingrediëntenverhoudingen te veranderen (Variabele Samenstelling).

4. Gebruik van "AI-Smaakpapillen" (Machine Learning)

Traditioneel vereiste het testen of een kristalstructuur stabiel was, het draaien van extreem trage, zware natuurkundige simulaties (zoals het gebruik van een enorme, trage oven om elke enkele taart te bakken).

XtalOpt 14 beschikt nu over een speciale interface-script waarmee het programma Machine Learning Potentials kan gebruiken. Denk aan het geven van "AI-smaakpapillen" aan de chef. In plaats van elke taart in een echte oven te bakken, kan de AI direct voorspellen of een taart goed zal smaken op basis van de ingrediënten. Dit stelt het programma in staat om duizenden recepten te testen in de tijd die het vroeger kostte om er slechts een paar te testen, waardoor de zoektocht naar nieuwe materialen veel sneller gaat.

5. De Keuken Netjes Houden (Gelijkeniscontroles)

In een enorme zoektocht kan het programma per ongeluk twee keer hetzelfde recept maken, of twee recepten die bijna identiek zijn (zoals een taart die slechts een beetje gedraaid is).

De nieuwe versie heeft een betere gelijkeniscontrole. In plaats van alleen naar de ingrediëntenlijst te kijken, kijkt het naar de "vorm" van de taart. Als twee structuren te veel op elkaar lijken (zoals tweelingen), markeert het programma deze zodat het geen tijd verspilt aan het testen van hetzelfde ding twee keer. Het gebruikt een wiskundige "vingerafdruk" (de Radial Distribution Function) om te bepalen of twee structuren werkelijk verschillend zijn.

6. De "Convex Hull" Kaart

Om te weten of een recept een "winnaar" is, controleert het programma de energie ten opzichte van een kaart die de Convex Hull wordt genoemd.

• Stel je een kaart voor waar de laagste punten de meest stabiele, perfecte kristallen vertegenwoordigen.
• Het programma berekent hoe ver een nieuwe structuur van dit "laagste punt" verwijderd is. Als het heel dicht bij de bodem ligt, is het een stabiel, veelbelovend materiaal. Als het hoog op een heuvel ligt, is het onstabiel en zal het waarschijnlijk uit elkaar vallen.

Samenvatting

XtalOpt Versie 14 is een krachtige, open-source tool die wetenschappers helpt nieuwe materialen te ontdekken. Het is sneller en slimmer dan voorheen omdat het:

1. Verschillende ingrediëntenverhoudingen kan mengen en combineren (Variabele Samenstelling).
2. De beste afwegingen vindt tussen verschillende doelen (Pareto-optimalisatie).
3. AI gebruikt om het testproces te versnellen (Machine Learning Potentials).
4. Betere hulpmiddelen heeft om dubbel werk te voorkomen (Gelijkeniscontroles).

Het is ontworpen om onderzoekers te helpen efficiënt de "perfecte recepten" te vinden voor de volgende generatie functionele materialen, van betere batterijen tot sterkere metalen.

Technische samenvatting

Technische Samenvatting: XtalOpt Versie 14

Probleemstelling
De ontdekking van nieuwe functionele materialen vereist een efficiënte navigatie door complexe potentiaalenergie-oppervlakken (PES) over uitgestrekte chemische en structurele ruimtes. Traditionele Crystal Structure Prediction (CSP) methoden vertrouwen vaak op zoekopdrachten met een vaste samenstelling of single-objective globale optimalisatie, wat de ontdekking van (meta)stabile fasen met variabele stoichiometrieën of specifieke doelverwachtingen kan beperken. Hoewel machine learning (ML) interatomaire potentialen en universele interatomaire potentialen (UIPs) mogelijkheden bieden voor high-throughput, missen bestaande evolutionaire algoritmen vaak een natieve integratie voor variable-composition (VC) zoekopdrachten en multi-objective globale optimalisatie (MOGO) die gebruikmaakt van Pareto-optimalisatie. Bovendien blijft het beheren van de computationele kosten bij het verkennen van diverse composities, terwijl structurele diversiteit behouden blijft en dubbele evaluaties worden vermeden, een uitdaging.

Methodologie
XtalOpt Versie 14 introduceert een uitgebreide update van zijn evolutionaire multi-objective globale optimalisatie-framework, specifiek ontworpen om variable-composition zoekopdrachten te kunnen afhandelen. De kernworkflow omvat het genereren van een initiële populatie van structuren op basis van door de gebruiker gedefinieerde chemische formules, het uitvoeren van lokale structurele relaxatie, en het iteratief toepassen van genetische operaties om de populatie te laten evolueren.

Belangrijke methodologische componenten zijn:

• Variable-Composition (VC) Zoekopdracht: Het algoritme ondersteunt nu natief het zoeken over een compositie-ruimte. Gebruikers definiëren chemische systemen via een chemicalFormulas input, die vaste composities, een bereik van composities (multi-composition), of een volledige variable-composition zoekopdracht kan specificeren.
• Pareto-optimalisatie: Om multi-objective problemen aan te pakken (bijv. energie minimaliseren terwijl een specifieke eigenschap wordt gemaximaliseerd), implementeert de code het NSGA-II algoritme. Dit vervangt of supplementeert de vorige scalaire fitnessfunctie. Parent selectie wordt uitgevoerd via binary tournament selection gebaseerd op non-dominated sorting (Pareto rank) en crowding distance, wat een diverse set oplossingen langs de Pareto-front garandeert.
• Verbeterde Genetische Operaties:
  • Multi-cut Crossover: Maakt het mogelijk om de unit cells van ouders op meerdere punten door te snijden om nakomelingen met gemengde atomaire arrangementen te genereren.
  • Permutomic: Een VC-specifieke operatie die willekeurig een enkel atoom toevoegt of verwijdert van een ouderstructuur om stoichiometrische variaties te verkennen.
  • Permucomp: Een VC-specifieke operatie die een nieuwe structuur genereert met een willekeurige compositie en totaal aantal atomen (tot een door de gebruiker gedefinieerde limiet) door de ouder-lattice te distorten en deze te decoreren met nieuwe atomen.
  • Random Supercell Expansion: Een secundaire mutatie die een structuur uitbreidt naar een supercell en een willekeurig atoom verplaatst, nuttig voor het verkennen van charge density waves.
• Convex Hull en Referentie-energieën: De energetische fitness van structuren wordt bepaald door hun afstand boven de convex hull. De code berekent dit met behulp van de Qhull library, wat door de gebruiker gedefinieerde referentie-energieën voor elementen en relevante subsystemen vereist om nauwkeurige hull-constructie voor MC en VC zoekopdrachten te waarborgen.
• ML en UIP Integratie: De release bevat een Python wrapper script (vasp_uip.py) om lokale structurele relaxatie met moderne UIPs (MACE, CHGNet, Orb, MatterSim) via de Atomic Simulation Environment (ASE) te faciliteren. Dit maakt snelle screening van duizenden structuren mogelijk, gevolgd door hoog-nauwkeurige DFT-berekeningen.
• Similarity en Duplicate Checking: De code biedt twee modi voor het identificeren van duplicaten: het exacte matching schema (XtalComp) en een nieuwe benaderingsmethode gebaseerd op Radial Distribution Functions (RDF) om vergelijkbare structuren te detecteren, wat bijzonder nuttig is voor moleculaire systemen of lichte rotationele verschillen.

Belangrijkste Bijdragen

1. Natieven VC-MO Zoekopdracht: De implementatie van een variable-composition zoekopdracht geïntegreerd met Pareto-optimalisatie, wat simultane exploratie van de compositie-ruimte en meerdere materiaaleigenschappen mogelijk maakt.
2. Nieuwe Genetische Operaties: Introductie van permutomic en permucomp operaties specifiek ontworpen om de populatie te diversifiëren in multi-element, variable-composition zoekopdrachten.
3. Pareto Front Implementatie: Integratie van het NSGA-II algoritme voor parent selectie, wat een robuust alternatief biedt voor scalaire fitnessfuncties voor multi-objective problemen.
4. UIP Interface: Voorzienheid van gemakkelijk te gebruiken scripts om XtalOpt te koppelen aan universele interatomaire potentialen, wat de computationele kosten van structurele relaxaties in high-throughput zoekopdrachten aanzienlijk vermindert.
5. Verfijnde Input/Output en Controls: Updates aan input flag conventies (bijv. chemicalFormulas vervangt empiricalFormula), nieuwe volume restricties gebaseerd op covalente radii, en verbeterde output bestanden (bijv. hull.txt, movie snapshots) voor het monitoren van de convex hull evolutie.

Resultaten en Prestaties
Benchmarking op het Ti-O systeem demonstreerde dat de inclusie van permutomic en permucomp operaties het aantal unieke chemische composities geproduceerd in een VC zoekopdracht met 30% of meer verhoogt vergeleken met zoekopdrachten zonder deze operaties. Computational profiling geeft aan dat hoewel XtalOpt zelf een fractie van de totale CPU-tijd consumeert (bijv. ~35% voor 100 structuren, afnemend naarmate het aantal structuren toeneemt door de dominantie van externe lokale optimalisatie taken), het parent selectie proces (specifiek non-dominated sorting) de meest computationeel veeleisende interne taak is, waarbij ongeveer 7% van de CPU-tijd van de code wordt verbruikt. Het gebruik van snelle UIPs voor relaxatie maakt de overhead van de interne taken van XtalOpt verwaarloosbaar vergeleken met de totale runtime.

Betekenis
De auteurs stellen dat Versie 14 van XtalOpt de weg vrijmaakt voor efficiënte ground-state zoekopdrachten voor kristallijne fasen van materialen met variabele composities en gewenste doelverwachtingen. Door Pareto-optimalisatie en variable-composition capaciteiten te integreren met moderne ML potentialen, faciliteert de code de high-throughput exploratie van chemische systemen om nieuwe (meta)stabile fasen te voorspellen. Het werk benadrukt dat deze ontwikkelingen, gecombineerd met bugfixes en workflow verbeteringen, onderzoekers in staat stellen om systematisch naar functionele materialen te zoeken over complexe compositie-ruimtes die voorheen computationeel onhaalbaar of methodologisch moeilijk te navigeren waren. Het artikel merkt op dat de software volledig open-source is en beschikbaar is via de officiële website en de Computer Physics Communications Library.