Using graph neural networks to predict many-body interactions in amorphous materials

Technische Samenvatting: Het gebruik van Graph Neural Networks voor het voorspellen van veel-deeltjes interacties in amorfe materialen

Probleemstelling
Veel-deeltjes interacties (many-body interactions) zijn fundamenteel voor het gedrag van amorfe materialen, variërend van metallische glasachtige stoffen tot biologische weefsels. De computationele modellering van deze systemen is echter historisch beperkt gebleven tot paar-additieve potentialen vanwege de prohibitieve kosten om hogere-orde interacties nauwkeurig te resolveren. Deze beperking verhindert een volledige karakterisering van het hoogdimensionale, grillige potentiele energiemodel (potential energy landscape, PEL) dat de trage dynamiek en het glasachtige gedrag van deze materialen beheerst. Hoewel machine learning interatomaire potentialen (MLIP's) veelbelovend zijn gebleken voor het modelleren van atomaire interacties, blijft hun vermogen om het complexe, hoekafhankelijke PEL van zachte, veel-deeltjes glasachtige systemen te resolveren — specifiek die gedomineerd worden door hoekafhankelijke interacties — een open vraag. Bovendien zijn bestaande MLIP's niet uitgebreid naar zachte glazen, en het is onduidelijk of ze kunnen generaliseren van hoog-energetische, uit evenwicht zijnde trainingsdata naar lage-energie evenwichtstoestanden.

Methodologie
De auteurs pakken deze uitdaging aan door de equivariante message-passing graph neural network (GNN), NequIP, toe te passen op een model van een zacht glas bestaande uit oplosmiddelvrije polymeer-geënt polymere nanodeeltjes (PGN's). In dit systeem dwingt de afwezigheid van een oplosmiddel de geënte polymeerketens om de interstitiële ruimte uniform te vullen, wat sterke, hoekafhankelijke veel-deeltjes interacties creëert tussen de deeltjeskernen die niet door paar-potentialen kunnen worden gevangen.

De workflow bestaat uit drie primaire fasen:

1. Datageneratie via klassieke DFT: De auteurs maken gebruik van klassieke dichtheidsfunctionaaltheorie (DFT) om polymeer-gemedieerde interacties te modelleren. Ze bemonsteren 5.000 ongecorreleerde, hoog-energetische, uit evenwicht zijnde configuraties van PGN's met behulp van hard-sphere dynamica. De potentiële energie voor elke configuratie wordt berekend met klassieke DFT, die de polymeren behandelt als een incompressibele vloeistof die de lege ruimte vult. Dit genereert een dataset die het hoog-energetische gebied van de PEL beslaat.
2. GNN Training: NequIP wordt getraind op deze dataset om de mapping van deeltjescoördinaten naar potentiële energie te leren. Het netwerk maakt gebruik van tensor-representaties die equivariant zijn ten opzichte van translaties, rotaties en reflecties, waardoor het anisotrope veel-deeltjes effecten kan vastleggen. De auteurs analyseren systematisch de hyperparameters, inclusief de afkapstraal ($r_{cut}$), het aantal message-passing lagen ($n_l$) en de maximale hoekresolutie ($l_{max}$), om het fysieke bereik en de orde van de interacties te bepalen.
3. GNN-gestuurde Monte Carlo (MC) Simulaties: Eenmaal getraind, vervangt de GNN de klassieke DFT in Monte Carlo-simulaties. Deze versnelling (vier ordes van grootte sneller) maakt het mogelijk om de diepe minima van de PEL te verkennen, waardoor het systeem evenwichtstoestanden kan bereiken die tijdens de trainingsfase ontoegankelijk waren.

Belangrijkste Bijdragen en Resultaten

• Nauwkeurige PEL Leerproces: Het getrainde NequIP-model reproduceert klassieke DFT-energieën met een gemiddelde absolute fout (MAE) van ongeveer 0,01 $\sigma_E$ (standaarddeviatie van de energie) over diverse ontwerpparameters (grafting density, kern-volumefractie, polymeer molecuulgewicht). Dit komt overeen met per-deeltje fouten die ruim onder de thermische energieschaal ($k_B T$) liggen.
• Fysieke Inzichten in Interactiebereik en Orde: Systematische analyse van de hyperparameters laat zien dat nauwkeurige voorspellingen een grote afkapstraal vereisen ($r_{cut}/d \approx 6$), wat aangeeft dat effectieve interacties ver buiten de directe buren reiken vanwege veel-deeltjes correlaties in plaats van lang-reikende paar-krachten. Verder suggereert de foutconvergentie met betrekking tot het aantal message-passing lagen ($n_l$) dat vier-deeltjes correlaties cruciaal zijn voor de energievoorspelling in oplosmiddelvrije PGN's, in contrast met oplosmiddelsystemen waar drie-deeltjes interacties vaak volstaan. De noodzaak van equivariante representaties ($l_{max} \ge 1$) bevestigt het sterk directionele karakter van deze interacties.
• Out-of-Distribution Generalisatie: Een opmerkelijk resultaat is het vermogen van het netwerk om evenwichtstructuren te voorspellen, ondanks dat het uitsluitend is getraind op hoog-energetische, uit evenwicht zijnde configuraties. GNN-gestuurde MC-simulaties herstellen evenwichtsstructuren die overeenkomen met experimentele metingen (bijv. naburige afstanden uit SAXS) en klassieke DFT-voorspellingen. De evenwichtsenergieverdeling ligt ver buiten de trainingsdistributie, maar de GNN behoudt een DFT-niveau van nauwkeurigheid, wat een robuuste generalisatie aantoont.
• Ontdekking van Lokale Orde: Analyse van de evenwichtsstructuren onthult de afwezigheid van kristalachtige ordening, maar de aanwezigheid van lokaal bevoorrechte icosaëder-achtige structuren. Deze structuren zijn sterk gecorreleerd met specifieke Voronoi-volumes (dodecaëder vormen) die de vrije energie van de geënte polymeren minimaliseren. Deze lokale ordening wordt alleen bij evenwicht waargenomen en is afwezig in de uit evenwicht zijnde hard-sphere gesamplede trainingsdata.
• Hyperuniformiteit: De evenwichtsstructuren vertonen onderdrukte lang-reikende dichtheidsfluctuaties (hyperuniformiteit), een kenmerk dat consistent is met experimentele observaties van oplosmiddelvrije PGN's, wat niet aanwezig is in de uit evenwicht zijnde hard-sphere gesamplede configuraties.

Betekenis
Dit artikel demonstreert dat equivariante GNN's succesvol de hoogdimensionale, grillige potentiele energielandschappen van zachte glasachtige systemen kunnen leren die gedomineerd worden door veel-deeltjes interacties. Door te trainen op computationeel toegankelijke hoog-energetische data, kan het model evenwichtseigenschappen en -structuren voorspellen die anders computationeel onhaalbaar zouden zijn via klassieke DFT. Dit werk vestigt een praktische workflow voor het bestuderen van amorfe materialen waarbij veel-deeltjes effecten niet verwaarloosbaar zijn, en biedt een pad naar inverse design en een dieper begrip van de structuur-dynamica relatie in glasachtige systemen. De bevindingen suggereren dat verborgen structurele kenmerken die gedeeld worden tussen evenwicht en niet-evenwichtstoestanden door ML-modellen kunnen worden geëxtraheerd, wat potentieel nieuwe physics-gebaseerde ordeparameters kan motiveren.