Machine learning Hamiltonian enables scalable and accurate defect calculations: The case of oxygen vacancies in amorphous SiO$_2$

Deze studie introduceert een machine learning Hamiltoniaan-methode die, getraind op kleine supercellen, schaalbare en nauwkeurige defectberekeningen in grootschalige systemen zoals amorfe SiO₂ mogelijk maakt door systematische energiefouten te elimineren en afwijkingen van DFT onder de 50 meV te houden.

De kern

De "Slimme Architect" voor Materiaalonderzoek

Een simpele uitleg over hoe kunstmatige intelligentie defecten in glas sneller en nauwkeuriger vindt.

Stel je voor dat je een gigantisch, onregelmatig bouwwerk hebt, zoals een enorme berg van losse stenen (dit is amorf SiO2, oftewel glas). In dit bouwwerk zitten soms stenen die ontbreken. Deze ontbrekende stenen noemen we zuurstofvacatures (defecten).

Deze ontbrekende stenen zijn belangrijk. Ze kunnen ervoor zorgen dat elektronen vastlopen, wat leidt tot storingen in je computerchip of je telefoon. Om te begrijpen hoe deze storingen werken, moeten wetenschappers de positie van elke steen in het bouwwerk precies berekenen.

Het Oude Probleem: De Trage Rekenmachine

Vroeger gebruikten wetenschappers een methode genaamd DFT (een soort supernauwkeurige, maar extreem trage rekenmachine).

• Het probleem: Als je een klein modelletje van het glas wilt berekenen, gaat het wel. Maar als je een groot model wilt maken (omdat echte materialen groot zijn), wordt de berekening zo zwaar dat het weken duurt. Het is alsof je probeert een heel land op te meten met een liniaal, steen voor steen.
• De nieuwe poging (MLIP): Wetenschappers probeerden een snellere AI-methode (Machine Learning Interatomic Potentials) te gebruiken. Dit is als een slimme schatting maken. Maar deze AI had een groot nadeel: als je hem leerde op een klein modelletje, faalde hij volledig als je hem op een groot model liet werken. Het was alsof je iemand leert fietsen in een tuin, en dan verwacht dat hij direct een rondje om de wereld kan rijden zonder te vallen. De AI verloor zijn balans.

De Oplossing: De "Machine Learning Hamiltonian" (MLH)

In dit paper presenteren de onderzoekers een nieuwe, slimme methode: de Machine Learning Hamiltonian (MLH).

Laten we dit vergelijken met het bouwen van een huis:

1. De oude AI (MLIP) probeerde alleen de prijs van het huis te voorspellen. Als het huis groter werd, werd de prijsvoorspelling steeds fouter.
2. De nieuwe AI (MLH) leert niet alleen de prijs, maar leert de bouwplaat (de Hamiltonian) zelf. Het begrijpt hoe de stenen met elkaar verbonden zijn, hoe ze trillen en hoe ze op elkaar drukken.

Wat doet deze nieuwe AI?

• Ze leert op een klein model: De onderzoekers trainden de AI alleen op een klein stukje glas met een paar ontbrekende stenen (95 atomen).
• Ze werkt op elk formaat: Vervolgens lieten ze de AI werken op enorme stukken glas (tot wel 576 atomen).
• Het resultaat: In tegenstelling tot de oude AI, die in de war raakte bij grote modellen, bleef de nieuwe AI perfect nauwkeurig. Ze kon de positie van de stenen berekenen alsof ze de "bouwplaat" van het hele universum kende, zelfs als ze alleen een klein stukje had gezien.

Waarom is dit zo speciaal?

Stel je voor dat je twee grote bergsels hebt: één zonder gaten (het normale glas) en één met een gat (het defect).

• Om te weten hoe "slecht" het gat is, moet je het verschil in energie tussen de twee bergen berekenen.
• De oude AI maakte een grote fout bij de normale berg én een grote fout bij de berg met het gat. Omdat de fouten anders waren, bleef er een groot restant over, en was het eindresultaat onnauwkeurig.
• De nieuwe AI maakt een kleine, zelfde soort fout bij beide bergen. Wanneer je het verschil berekent, heffen deze fouten elkaar op. Het is alsof je twee mensen hebt die beide 1 cm te lang zijn; als je hun lengteverschil meet, is dat verschil perfect 0, omdat de fouten elkaar neutraliseren.

De Conclusie in Eén Zin

De onderzoekers hebben een "slimme architect" (de MLH) bedacht die, na slechts een korte training op een klein model, in staat is om gigantische, complexe glasstructuren met ontbrekende stenen te analyseren. Hij is sneller dan de oude methoden (zoals een raceauto vergeleken met een fiets) en nauwkeuriger dan de huidige AI-methoden, omdat hij de onderliggende regels van de natuurkunde beter begrijpt in plaats van alleen maar te gokken.

Dit betekent dat we in de toekomst veel sneller nieuwe materialen voor elektronica kunnen ontwerpen, zonder maandenlang te hoeven wachten op computerberekeningen.

Technische samenvatting

Probleemstelling

Puntdefecten in materialen, zoals zuurstofvacatures ($V_O$) in amorfe siliciumdioxide (a-SiO$_2$), beïnvloeden kritisch de prestaties en betrouwbaarheid van micro- en opto-elektronische apparaten. Hoewel ab initio methoden op basis van de Dichtheidsfunctionaaltheorie (DFT) de standaard zijn voor het bestuderen van deze defecten, zijn ze computatierijk en inefficiënt voor grote supercellen (vaak honderden atomen). Dit beperkt het aantal mogelijke steekproeven voor defectposities, wat noodzakelijk is om het statistische gedrag in amorfe materialen te begrijpen.

Machine Learning Interatomische Potentiaal (MLIP) modellen bieden een snellere alternatief, maar hebben twee belangrijke tekortkomingen:

1. Data-honger: Ze vereisen enorme datasets van DFT-berekeningen voor training.
2. Beperkte overdraagbaarheid (Transferability): MLIP's getraind op defecten in kleine supercellen vertonen vaak systematische energiefouten wanneer ze worden toegepast op grotere supercellen. Dit komt door een onnauwkeurige schatting van de bijdrage van het gastheer-materiaal (host), wat leidt tot fouten die niet worden opgeheven bij het berekenen van defectvormingsenergieën.

Methodologie

De auteurs stellen een nieuwe methode voor gebaseerd op een Machine Learning Hamiltoniaan (MLH) model. In plaats van direct atomaire krachten en energieën te voorspellen (zoals MLIP's), leert het MLH-model de Hamiltoniaan-matrix van het systeem. Hieruit kunnen vervolgens golffuncties, ladingsdichtheden, totale energieën en atomaire krachten worden afgeleid.

Kernaspecten van de methode:

• Model: Er wordt gebruikgemaakt van HamGNN, een equivariante grafische neurale netwerkarchitectuur die de real-ruimte Hamiltoniaan-matrices voorspelt.
• Training: Het model is getraind op een relatief kleine dataset afkomstig van 95-atomige supercellen met zuurstofvacatures. De dataset bevat 120 zelf-consistente veld (SCF) berekeningen en 12 structurele relaxaties (in totaal 600 configuraties).
• Berekening:
  1. De MLH voorspelt de Hamiltoniaan ($H$) en de overlap-matrix ($S$) wordt analytisch berekend.
  2. De Kohn-Sham vergelijkingen worden opgelost om golffuncties en ladingsdichtheden te verkrijgen.
  3. Totale energieën en atomaire krachten worden berekend uit deze grootheden.
  4. Dit stelt het model in staat om structurele relaxaties uit te voeren met een lineaire schaalbaarheid ($O(N)$) in plaats van de kubische schaalbaarheid van DFT.

Belangrijkste Bijdragen

1. Directe afleiding van energie en krachten: Voor het eerst wordt een MLH-model succesvol gebruikt om niet alleen elektronische structuren, maar ook totale energieën en atomaire krachten direct af te leiden, waardoor structurele relaxaties mogelijk zijn zonder terugkeer naar dure DFT-berekeningen.
2. Oplossing voor transferability-problemen: Het MLH-model, getraind op kleine defectcellen, vertoont geen systematische energiefouten in grotere supercellen (tot 576 atomen). Dit in tegenstelling tot MLIP's, die in grotere cellen de energie van het gastheer-materiaal verkeerd inschatten.
3. Foutcompensatie: Bij het berekenen van de vormingsenergie ($E_f$) worden de totale energiefouten van het gastheer- en het defectsysteem gedeeltelijk opgeheven (gecanceld), wat leidt tot uitzonderlijk nauwkeurige resultaten.

Resultaten

De methode werd getest op zuurstofvacatures ($V_O$) in a-SiO$_2$:

• Nauwkeurigheid:
  • De MLH voorspelde totale energieën en krachten komen zeer goed overeen met DFT. De gemiddelde absolute fout (MAE) in atomaire krachten is ongeveer 27 meV/Å (vergelijkbaar met DFT-convergentiecriteria).
  • MLIP's vertoonden daarentegen grote fouten: ~115 meV/Å voor krachten en systematische energiefouten van ~1180 meV/atom voor het gastheer-materiaal.
• Structurele Relaxatie:
  • De door MLH gerelaxeerde structuren hebben een zeer kleine afwijking ($\Delta Q$) ten opzichte van DFT-structuren (< 2 amu$^{1/2}$ Å), terwijl MLIP-structuren grote afwijkingen vertoonden (tot 18 amu$^{1/2}$ Å).
  • MLH behoudt zijn nauwkeurigheid zelfs in supercellen van 383 atomen, hoewel het alleen was getraind op 95-atomige cellen.
• Vormingsenergie:
  • Ondanks dat de totale energie van individuele systemen (gastheer of defect) een fout van enkele tientallen tot honderden meV kan hebben, is de fout in de vormingsenergie extreem laag (< 50 meV).
  • Dit komt door de foutcompensatie: de systematische fouten in het gastheer en het defect heffen elkaar op. MLIP's kunnen dit niet bereiken omdat hun fouten in het gastheer niet gecompenseerd worden door de defectfouten.
• Efficiëntie:
  • De rekentijd van DFT neemt exponentieel toe met het aantal atomen. De MLH-methode toont een lineaire schaalbaarheid, wat een aanzienlijke versnelling biedt voor grote systemen.

Betekenis en Toekomstperspectief

De voorgestelde MLH-methode biedt een krachtig alternatief voor het bestuderen van defecten in complexe, amorfe materialen. Het overbrugt de kloof tussen de hoge nauwkeurigheid van DFT en de hoge efficiëntie van machine learning.

• Toepasbaarheid: De methode maakt het mogelijk om defecteigenschappen te voorspellen in grote supercellen zonder de noodzaak om enorme datasets te genereren voor training.
• Elektronische structuur: In tegenstelling tot veel MLIP's, biedt MLH ook toegang tot gedetailleerde elektronische informatie, zoals bandstructuren en golffuncties van defecttoestanden.
• Impact: Deze aanpak kan de simulatie van defectevolutie, migratie en vorming in materialen voor de halfgeleiderindustrie (zoals SiO$_2$ in MOSFET's) aanzienlijk versnellen en verfijnen, waardoor betrouwbaardere apparaten kunnen worden ontworpen.