Screening 39 billion protostructures for materials discovery

Technische Samenvatting: Screening van 39 miljard protostructuren voor materiaalkundige ontdekking

Probleemstelling
Het vakgebied van kristalstructuurvoorspelling (Crystal Structure Prediction, CSP) staat centraal bij de ontdekking van materialen, maar wordt geconfronteerd met een combinatorische flessenhals. De ruimte van alle mogelijke materialen is enorm, waardoor systematische, onbevooroordeelde exploratie moeilijk is. Bestaande benaderingen leunen grotendeels op gegevens uit repositories zoals ICSD, AFLOW en Materials Project, die bevooroordeeld zijn naar bekende structurele prototypen (ongeveer 8.000 geobserveerde typen). Methoden die gebruikmaken van generatieve AI of statistische priors afgeleid van deze databases, erven deze bias, wat de ontdekking van structuren die fundamenteel verschillen van de reeds bekende structuren beperkt. Bovendien is de volledige configurationele ruimte van een kristal met $N$ atomen betrokken bij $6+3N$ continue vrijheidsgraden, wat een uitputtende enumeratie voor complexe systemen computationeel onuitvoerbaar maakt.

Methodologie
De auteurs stellen een tweestaps, high-throughput framework voor dat is ontworpen om de structurele exploratie met ordes van grootte te schalen, terwijl een onbevooroordeelde dekking van de configurationele ruimte behouden blijft.

1. Grofmazige Prescreening (Protostructuren):

   • Representatie: De auteurs maken gebruik van "protostructuren", een grofmazige representatie die de ruimtelijke groep, de chemische elementen en de bezette Wyckoff-posities van atomen specificeert, zonder expliciete atomaire coördinaten of roosterparameters te definiëren. Dit vermindert de vrijheidsgraden aanzienlijk.
   • Enumeratie: Zij enumereren systematisch alle symmetrie-onderscheidende protostructuren voor binaire en ternaire verbindingen met behulp van elementen van lithium tot broom (met uitsluiting van edelgassen). De enumeratie is beperkt tot een structurele complexiteit van vijf atomen in de asymmetrische eenheid en een maximum van 64 atomen in de eenheidscel. Dit levert ongeveer 39 miljard protostructuren op.
   • Machine Learning Model (Wren): Het Wren (Wyckoff Representation Network) model, een transformer-gebaseerde architectuur die is geherimplementeerd met JAX voor GPU-acceleratie, wordt gebruikt om de vormingsenergie van deze protostructuren te voorspellen. Het model is getraind op de Alexandria-database (PBE 3D dataset, ~4,5 miljoen structuren).
   • Efficiëntie: De geherimplementeerde Wren-model bereikt een 40-voudige toename in de inference-doorvoersnelheid vergeleken met eerdere GPU-implementaties, waardoor miljoenen protostructuren per seconde geëvalueerd kunnen worden.
   • Filtering: Een convexe hull van thermodynamische stabiliteit wordt geconstrueerd met behulp van de door Wren voorspelde energieën. Protostructuren die meer dan 100 meV/atoom boven de Alexandria-convexe hull liggen, worden verworpen. Deze fase behoudt ongeveer 15,7 miljoen kandidaten (0,04% van het totaal).

2. Fijnmazige Exploratie en Relaxatie:

   • Concretisering: De behouden protostructuren worden omgezet in expliciete kristalstructuren. De vrijheidsgraden (roosterparameters en atomaire coördinaten binnen de Wyckoff-restricties) worden gesampled met behulp van Latin Hypercube Sampling (LHS). Het aantal samples wordt heuristisch bepaald op basis van het aantal vrijheidsgraden en atomen.
   • Initiële Volume-inschatting: Een lineair regressiemodel voorspelt effectieve atoomradii op basis van chemische identiteit en coördinatie om de initiële eenheidscelvolumes te schatten, om onfysische startgeometrieën te vermijden.
   • Relaxatie: De gegenereerde structuren ondergaan symmetrie-geconstreerde geometrie-optimalisatie met behulp van het MACE (Machine-learning Atomic Cluster Expansion) interatomaire potentiaal (MPA-0 versie). Dit zorgt ervoor dat de relaxatie de oorspronkelijke protostructuur-symmetrie respecteert.
   • Validatie: Een secundaire validatiestap gebruikt het ORB neurale netwerkpotentiaal. Structuren worden alleen behouden als de MACE en ORB energie-voorspellingen binnen 100 meV/atoom overeenstemmen.
   • Output: Deze fase produceert 81 miljoen lokaal gerelaxeerde kristalstructuren.

Belangrijkste Resultaten

• Schaal: De workflow screende 39 miljard protostructuren, wat resulteerde in een dataset van 81 miljoen gerelaxeerde kristalstructuren.
• Stabiliteit: Binnen de gescreende chemische ruimte (Li–Br, binair/ternair, complexiteit $\le$ 5, eenheidscel $\le$ 64 atomen), identificeerden de auteurs 456.110 structuren met een decompositie-enthalpie ($H_d$) onder de 100 meV/atoom ten opzichte van de convexe hull.
• Nieuwigheid: Deze structuren beslaan 91.295 unieke kristalprototypen. Cruciaal is dat 88.498 van deze prototypen niet aanwezig zijn in bestaande databases (Alexandria of GNoME).
• Validatie:
  • Bekende Systemen: De methode werd gevalideerd op Hf-Zn-N, Ti-Zn-N, en Zr-Zn-N systemen. Het slaagde erin bekende fasen te herontdekken en identificeerde een ontbrekende ternaire fase (Hf$_6$Zn$_6$N) die werd weggelaten in een eerdere beperkte screening vanwege limieten op het aantal structuren.
  • DFT Verificatie: High-throughput DFT-berekeningen werden uitgevoerd op 2.303 nieuwe structuren met $H_d \le 0$. Hiervan bleven 631 onder nul (op de convexe hull), en de rest bleef binnen 25 meV/atoom van de hull.
  • Foutanalyse: De gemiddelde absolute fout van de uiteindelijke MLIP-voorspellingen ten opzichte van DFT in Alexandria is 33 meV/atoom. De foutdistributie vertoont een bias naar hogere vormingsenergieën (false negatives), wat suggereert dat de methodologie conservatief is.

Betekenis en Claims
Het artikel beweert een systematische kaart te bieden van de laag-energetische compositionele-structurele ruimte en een grote, gestructureerde pool van kandidaten voor downstream eigenschapsevaluatie.

• Overwinnen van Bias: Door protostructuren te gebruiken en de priors gebaseerd op bestaande structurele databases te vermijden, overwint de workflow de "structurele prior" bias die inherent is aan de meeste huidige CSP-methoden, wat de ontdekking van nieuwe prototypen in onverkende regio's mogelijk maakt.
• Schaalbaarheid: De tweestapsbenadering (grofmazige prescreening gevolgd door fijnmazige relaxatie) adresseert succesvol de combinatorische explosie, waardoor het mogelijk wordt om tientallen miljarden kandidaten te screenen.
• Diversiteit: De ontdekking van bijna 90.000 nieuwe prototypen vertegenwoordigt een "echte kwalitatieve verschuiving" in de structurele diversiteit van materiaaldatabases vergeleken met eerdere inspanningen (bijv. Alexandria heeft ~8.449 prototypen onder vergelijkbare limieten; GNoME heeft ~2.253).
• Fundament voor Toekomstig Werk: De auteurs merken op dat hoewel de huidige screening massaal is, de methodologie een schaalbaar fundament biedt. Zij suggereren dat het hertrainen van het prescreening-model met verhoogde precisie de hoeveelheid systemen die een dure tweede fase van relaxatie vereisen verder kan verminderen, wat potentieel het screenen van hogere structurele complexiteiten over de gehele periodieke tabel mogelijk maakt.

Het werk claimt niet dat deze materialen experimenteel zijn gesynthetiseerd, maar positioneert de dataset als een bron om toekomstige experimentele en theoretische materiaalkundige ontwerpen te sturen.