Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications

De auteurs hebben een open-source universeel machine learning interatomair potentiaal ontwikkeld dat 97 elementen, inclusief belangrijke zware actiniden, bestrijkt om de materialontwikkeling in de nucleaire sector te ondersteunen.

De kern

Hier is een uitleg van dit wetenschappelijke artikel in eenvoudig, alledaags Nederlands, met behulp van creatieve vergelijkingen.

De "Super-App" voor atomen: Van 89 naar 97 elementen

Stel je voor dat je een gigantische LEGO-set hebt. In de wereld van de natuurkunde zijn de LEGO-blokjes de atomen. Om te begrijpen hoe deze blokketjes samenwerken (bijvoorbeeld om een kernreactor te bouwen of een nieuwe batterij te maken), hebben wetenschappers een soort "rekenmachine" nodig die precies voorspelt hoe ze zich gedragen.

Vroeger was deze rekenmachine (een computermodel) traag en kon hij maar met een beperkt aantal soorten blokketjes werken. De nieuwste versie, die in dit artikel wordt gepresenteerd, heet MACE-Osaka26. Het is een enorme sprong vooruit, en hier is waarom:

1. Het probleem: De ontbrekende stukjes in de puzzel

Stel je voor dat je een enorme LEGO-kaart hebt met 118 verschillende soorten blokketjes (het periodiek systeem). De oude rekenmachines konden maar met 89 soorten omgaan. Dat was prima voor de meeste bouwprojecten, maar er ontbraken cruciale stukjes: de zware, radioactieve elementen (zoals Americium, Curium en Californium).

Deze zware elementen zijn als de "gouden blokketjes" in de LEGO-set. Ze zijn essentieel voor:

• Kernenergie: Om afval om te zetten in nieuwe brandstof.
• Ruimtevaart: Om batterijen te maken voor ruimtesondes (zoals die op Mars).
• Nieuwe materialen: Voor supersterke keramiek die extreme hitte kan weerstaan.

Het probleem? Je kunt deze blokketjes niet zomaar vastpakken; ze zijn extreem radioactief en giftig. Experimenten in het lab zijn dus gevaarlijk, duur en moeilijk. De computermodellen die we hadden, konden deze blokketjes simpelweg niet "zien" of begrijpen, omdat ze er nooit van geleerd hadden.

2. De oplossing: Een nieuwe "Leermodule" (Het HE26-dataset)

De onderzoekers van de Universiteit van Osaka hebben een nieuwe "leermodule" gebouwd, genaamd HE26.

• De analogie: Stel je voor dat je een kind leert rekenen. Tot nu toe leerde je het alleen met appels en peren (de lichte elementen). Maar nu moet het kind ook leren rekenen met zware stenen en goudklompen (de zware elementen).
• Wat deden ze? Ze hebben alle beschikbare informatie uit oude boeken, experimenten en eerdere berekeningen verzameld over deze 8 ontbrekende zware elementen. Ze hebben dit gecombineerd met de enorme databases die ze al hadden voor de andere elementen.
• Het resultaat: Ze hebben een dataset gemaakt die nu 97 elementen dekt. Dat is de breedste dekking tot nu toe. Het is alsof je de LEGO-set hebt aangevuld met de ontbrekende gouden blokketjes.

3. De nieuwe "Super-App": MACE-Osaka26

Met deze nieuwe data hebben ze de MACE-Osaka26 model getraind.

• Hoe werkt het? Stel je voor dat de oude rekenmachine een fiets was: snel voor korte afstanden, maar hij viel om als je te zware lasten (de zware elementen) op de bagagedrager legde.
• De nieuwe MACE-Osaka26 is een vrachtwagen. Hij is getraind om niet alleen lichte blokketjes te dragen, maar ook de zwaarste, meest complexe combinaties.
• De truc: Ze hebben de "blikveld" van de rekenmachine vergroot. De oude versie keek alleen naar de directe buren van een atoom (als een persoon die alleen naar zijn directe buren kijkt). De nieuwe versie kijkt verder (als iemand die naar de hele straat kijkt). Dit is nodig omdat zware atomen elkaar beïnvloeden over grotere afstanden.

4. Wat kan deze nieuwe "vrachtwagen" nu?

De onderzoekers hebben getest of de nieuwe model echt werkt:

• Snelheid: Het is duizenden keren sneller dan de oude methoden (die dagen nodig hadden voor één berekening), maar net zo nauwkeurig.
• Nauwkeurigheid: Het kan nu precies voorspellen hoe warmte door een blokje uranium of americium stroomt. Dit is cruciaal voor het ontwerp van veiligere kernreactoren.
• Toekomst: Ze hebben laten zien dat ze nu materialen kunnen ontwerpen die nog niet bestaan, zoals "high-entropy keramiek" (een soort super-LEGO-mengsel van veel verschillende elementen) die hitte en straling beter weerstaat dan ooit tevoren.

Samenvatting in één zin

De onderzoekers hebben een computermodel "opgeleid" met een nieuwe verzameling data over de zwaarste en gevaarlijkste atomen, waardoor we nu snel en veilig kunnen simuleren hoe deze atomen werken voor de toekomst van kernenergie en ruimtevaart, zonder dat we eerst gevaarlijke experimenten hoeven te doen.

Het is alsof ze de handleiding voor de zwaarste LEGO-blokjes hebben geschreven, zodat we eindelijk de meest complexe bouwwerken kunnen ontwerpen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications" in het Nederlands.

Titel: Uitbreiding van Universele Machine Learning Interatomaire Potentiaal tot 97 Elementen voor Kerntoepassingen

Auteurs: Naoya Kuroda, Kenji Ishihara, Tomoya Shiota, en Wataru Mizukami (Universiteit van Osaka)

---

1. Het Probleem

In de nucleaire wetenschap zijn elementen zoals minor actiniden (Am, Cm, Cf) en andere zware elementen cruciaal voor de duurzaamheid van de brandstofcyclus, ruimtevaart (radio-isotoopgeneratoren) en de ontwikkeling van nieuwe materialen zoals hoog-entropische keramieken. Het experimenteel meten van thermofysische eigenschappen (zoals thermische geleidbaarheid, lineaire thermische uitzetting en viscositeit) van deze materialen is echter extreem moeilijk, duur en gevaarlijk vanwege hun hoge radioactiviteit en toxiciteit.

Theoretische benaderingen zijn daarom essentieel, maar hebben beperkingen:

• DFT (Density Functional Theory): Hoewel nauwkeurig, is DFT computatiekosten te hoog voor complexe, meercomponenten systemen (zoals gemengde oxidebrandstoffen) en voor het berekenen van hogere-orde anharmonische krachten die nodig zijn voor thermische geleidbaarheid.
• Bestaande MLIP's (Machine Learning Interatomaire Potentiaal): Bestaande universele MLIP-modellen (zoals MACE-Osaka24) dekken meestal maximaal 89 elementen. Ze missen vaak transuranische elementen en andere zware elementen omdat de onderliggende trainingsdatasets (zoals MPtrj) deze elementen niet bevatten. Dit beperkt hun toepasbaarheid voor nucleaire toepassingen.

2. Methodologie

De auteurs hebben een nieuwe aanpak ontwikkeld om deze kloof te overbruggen door een combinatie van data-aanmaak, dataset-integratie en modeltraining:

• Constructie van de HE26 Dataset:

  • Er werd een nieuwe dataset, HE26 (Heavy Element 2026), gegenereerd met behulp van DFT-berekeningen (VASP).
  • Deze dataset bevat 8 zware elementen die zelden of nooit in grote datasets voorkomen: Americium (Am), Curium (Cm), Californium (Cf), Francium (Fr), Astatine (At), Radium (Ra), Polonium (Po) en Radon (Rn).
  • De dataset omvat drie subsets:
    1. BHE (Basic Heavy Element): Elementaire vaste stoffen en binaire oxiden.
    2. CHE (Complex Heavy Element): Diverse meercomponenten systemen.
    3. CCFO (Compositionally Complex Fluorite Oxides): Binaire tot quinaire fluoriet-type mengoxiden van actiniden, lanthaniden en zeldzame aardmetalen, gericht op hoog-entropische keramieken.
  • Speciale aandacht werd besteed aan magnetische configuraties en convergentieproblemen bij zware elementen.

• Dataset Integratie:

  • HE26 werd geïntegreerd met bestaande grote datasets: MPtrj (kristallijne materialen) en OFF23 (organische moleculen).
  • De integratie werd uitgevoerd via het Total Energy Alignment (TEA) protocol om energieniveaus tussen de verschillende datasets consistent te maken.
  • Het resultaat is een unificatie dataset van 97 elementen.

• Model Training (MACE-Osaka26):

  • Er werd een nieuw model getraind, MACE-Osaka26, gebaseerd op het MACE-architectuur (Message Passing Neural Network).
  • Belangrijke architecturale wijziging: De "cutoff radius" (de afstand waarbinnen atoominteracties worden berekend) werd verhoogd van 4,5 Å (in het vorige model) naar 6,0 Å. Dit is cruciaal voor het correct modelleren van de langere afstandsinteracties in zware elementen, zoals BCC-structuren.
  • Het model is open-source en vrij beschikbaar.

3. Belangrijkste Resultaten

• Verbeterde Algemene Nauwkeurigheid:

  • Het model toont verbeterde prestaties op bestaande testsets (MPtrj voor kristallen en OFF23 voor moleculen). De RMSE voor energie op de MPtrj-testset daalde van 77,2 naar 62,0 meV/atoom, en op de OFF23-testset halveerde de RMSE van 25,2 naar 12,3 meV/atoom.
  • Het model behoudt zijn nauwkeurigheid voor zowel periodieke kristallen als geïsoleerde moleculen.

• Prestaties op Zware Elementen (HE26):

  • MACE-Osaka26 is het eerste universele model dat succesvol 8 zware elementen (Am, Cm, Cf, etc.) ondersteunt.
  • Op de HE26 trainingsset werd een energie-MAE van 44,7 meV/atoom en een RMSE van 117,3 meV/atoom bereikt.
  • De krachten en spanningen werden zeer nauwkeurig voorspeld (kracht-MAE: 26,3 meV/Å), wat aantoont dat het model complexe potentiaal-energieoppervlakken van zware elementen leert ondanks de beperkte datasetgrootte.

• Voorspelling van Lattice Parameters:

  • Voor complexe fluoriet-oxiden (CCFO subset) toonde het model een uitstekende correlatie met DFT-referentiewaarden, zelfs voor systemen met 4 of 5 verschillende elementen (exclusief zuurstof). De RMSE bleef zeer laag (~0,017 Å).

• Thermische Geleidbaarheid:

  • De auteurs berekenden de roosterthermische geleidbaarheid ($\kappa_L$) van actinide-dioxide ($AnO_2$) en gemengde oxiden ($Am_{0.25}U_{0.75}O_2$) door de Wigner-transportvergelijking op te lossen met behulp van tweede- en derde-orde krachtenconstanten gegenereerd door het MLIP.
  • De resultaten kwamen overeen met experimentele data voor bekende materialen (UO2, ThO2, PuO2) over een breed temperatuurbereik (300–1500 K).
  • Het model voorspelde correct de sterke daling in thermische geleidbaarheid door Am-doping, wat cruciaal is voor de ontwikkeling van nieuwe brandstoffen.
  • Er werden geen imaginaire fononfrequenties gevonden, wat de dynamische stabiliteit van de voorspelde structuren bevestigt.

4. Bijdragen en Innovatie

• Uitbreiding van het Periodiek Systeem: De eerste open-source universele MLIP die 97 elementen dekt, inclusief de kritische minor actiniden die eerder ontbraken.
• Dataset HE26: Een nieuwe, open dataset met DFT-gegevens voor zware elementen, gebaseerd op experimentele en literatuurgegevens, die als referentie dient voor toekomstig onderzoek.
• Architecturale Optimalisatie: Het aantonen dat het vergroten van de cutoff radius essentieel is voor de nauwkeurigheid van zware elementen in MLIP-modellen.
• Toepassing op Thermisch Transport: Het succesvol toepassen van een universeel model op de berekening van thermische geleidbaarheid in complexe, meercomponenten systemen, wat met DFT alleen vaak onbereikbaar is vanwege de rekenkosten.

5. Betekenis en Toekomstperspectief

Deze studie opent een nieuwe weg voor de ontwikkeling van nucleaire materialen. Door een betrouwbaar en schaalbaar model te bieden, kunnen onderzoekers nu:

• Snel screenen van nieuwe brandstofcomposities en afvalvormen.
• Ontwerpen van hoog-entropische keramieken voor extreme omgevingen.
• Thermische eigenschappen voorspellen zonder de hoge kosten van DFT-berekeningen of de risico's van experimenten.

Hoewel het model een belangrijke stap is, wijzen de auteurs erop dat toekomstig werk gericht moet zijn op het verbeteren van de elektronische structuurreferenties (bijvoorbeeld door spin-baan-koppeling en DFT+U te integreren) en het uitbreiden van de dataset via actief leren en onzekerheidskwantificering om de nauwkeurigheid voor sterk gecorreleerde f-elektronen systemen verder te verbeteren.

Conclusie: MACE-Osaka26 en de HE26 dataset vormen een fundamentele, open basis voor de versnelling van materialenontdekking in de nucleaire wetenschap, met name voor systemen die transuranische elementen bevatten.