A wrong ground-state structure of HfO$_2$ predicted by machine-learning interatomic potentials based on the PBE functional

Dit artikel waarschuwt dat machine learning-interatomaire potentialen getraind op PBE-gebaseerde DFT-data de grondtoestandsstructuur van HfO$_2$ onjuist voorspellen vanwege de neiging van de functionele om laag-densiteitsfasen te overstabiliseren, een gebrek dat kan worden gemitigeerd door alternatieve functionalen zoals PBEsol of LDA te gebruiken.

De kern

Stel je voor dat je een perfecte kaart van een bergachtig gebied probeert te maken om wandelaars te helpen de laagste vallei (de "grondtoestand") te vinden. In de wereld van de materiaalkunde vertegenwoordigt deze vallei de meest stabiele, natuurlijke vorm die een materiaal zoals Hafniumoxide (HfO₂) wil aannemen.

Lange tijd hebben wetenschappers een krachtig hulpmiddel gebruikt: Machine-Learning Interatomic Potentials (MLIPs). Denk aan deze MLIPs als superintelligente GPS-systemen. Ze worden getraind door ze data te voeren van een "leraar" genaamd Density Functional Theory (DFT). De meest populaire "leraar-tekst" die voor deze GPS-systemen wordt gebruikt, is een specifieke set regels genaamd de PBE-functional.

Hier is het verhaal van wat het onderzoek heeft aangetoond:

1. De GPS had de kaart fout

De onderzoekers vroegen hun GPS-systeem (de MLIP getraind op PBE-data) om de laagste vallei voor HfO₂ te vinden.

• Wat de GPS zei: "De laagste vallei is een plek genaamd I4₁/amd. Het is een structuur met een lage dichtheid en veel ruimte, waar de atomen zijn gerangschikt in een specifiek octaëdrisch patroon (zoals een doos met zes zijden)."
• Wat de realiteit zegt: "Nee, de laagste vallei is eigenlijk de monocliene P2₁/c structuur. Dit is wat experimenten in de echte wereld duidelijk laten zien."

De GPS wees vol vertrouwen naar de verkeerde bestemming. Het beweerde dat de "ruime" I4₁/amd-structuur 17 eenheden stabieler was dan de echte winnaar.

2. Is de GPS kapot, of liegt de leraar?

De onderzoekers vroegen zich af: Hebben we de GPS verkeerd gebouwd, of geeft de leraar (PBE) slecht huiswerk?

Ze testten dit door:

• Andere beroemde, vooraf gemaakte GPS-modellen te controleren (zoals NequIP en MatterSim). Resultaat: Ze wezen allemaal naar dezelfde verkeerde "I4₁/amd"-vallei.
• De voorspellingen van de GPS direct te vergelijken met de ruwe data van de leraar. Resultaat: De GPS deed zijn werk eigenlijk perfect; hij kopieerde simpelweg de fouten van de leraar trouw.

Het oordeel: De GPS was niet kapot. De PBE-leraar was het probleem.

3. De analogie van de "Losse Kleding"

Waarom maakte de PBE-leraar deze fout?
Stel je voor dat de PBE-functional een kleermaker is die van losse, wijdvallende kleding houdt.

• De "I4₁/amd" en "Pbcn" structuren zijn als losse, ruime outfits (lage dichtheid, grote volumes).
• De "P2₁/c" structuur is als een strakkere, compactere outfit.
• De PBE-kleermaker heeft een vooroordeel: hij denkt dat losse, ruime kleding comfortabeler (met een lagere energie) is dan ze in werkelijkheid zijn. Omdat dit vooroordeel bestaat, vertelde de PBE-leraar de GPS dat de ruime "I4₁/amd"-outfit de beste was, ook al is in werkelijkheid de strakkere "P2₁/c"-outfit de voorkeur van het materiaal.

Toen de onderzoekers andere "kleermakers" probeerden (functionals zoals PBEsol of LDA), die de voorkeur geven aan strakkere, compactere pasvormen, corrigeerde de kaart zichzelf. Plotseling zag de "I4₁/amd"-outfit er te wijd en te duur uit, en keerde de "P2₁/c"-structuur terug als de ware kampioen.

4. De reis van de wandelaar (Ferro-elektrische schakeling)

Het onderzoek keek ook naar wat er gebeurt als HfO₂ van vorm verandert (zoals een wandelaar die van pad wisselt).

• Scenario A (Vast rooster): Als je de wandelaar dwingt op een star pad te blijven (geen verandering in de grootte van de kaart), geven zowel de "losse" PBE-leraar als de "strakke" PBEsol-leraar vergelijkbare richtingen.
• Scenario B (Ontspannen rooster): Als je de wandelaar de ruimte geeft om de grootte van het pad te veranderen (het toestaan dat de kaart uitzet of krimpt), geven de twee leraren wild uiteenlopende richtingen.
  • De PBE-leraar (met de losse bias) zegt: "Neem het pad door de ruime Pbcn-vallei, want dat ziet er makkelijk en ruimtelijk uit."
  • De PBEsol-leraar (met de compacte bias) zegt: "Nee, dat pad is te breed en onstabiel. Neem de strakkere, directere route."

Omdat de PBE-leraar overschat hoe comfortabel de "ruime" paden zijn, leidt dit de simulatie een compleet andere weg op dan wat er in de echte wereld zou gebeuren.

De grote les

De belangrijkste les is een waarschuwing voor iedereen die deze hoogtechnologische GPS-systemen (MLIPs) gebruikt:

Alleen omdat een machine learning-model ongelooflijk nauwkeurig is in het kopiëren van zijn trainingsdata, betekent dit niet dat het de waarheid spreekt. Als de "leraar" (de DFT-functional) een ingebouwd vooroordeel heeft (zoals het houden van losse kleding), zal de student (de MLIP) dit vooroordeel perfect en vol vertrouwen aanleren en de verkeerde antwoorden voorspellen.

Om een betrouwbare kaart van de materiaalwereld te krijgen, kun je niet alleen vertrouwen op het machine learning-model; je moet ervoor zorgen dat de leraar waar het van heeft geleerd, de juiste set regels gebruikt.

Technische samenvatting

Technische Samenvatting: Een onjuiste grondtoestandsstructuur van HfO₂ voorspeld door machine-learning interatomaire potentialen gebaseerd op de PBE-functionaal

Probleemstelling
Machine-learning interatomaire potentialen (MLIPs) zijn essentieel geworden voor grootschalige materiaalsimulaties, waarbij ze een nauwkeurigheid bieden die nabij die van first-principles density functional theory (DFT) ligt, tegen een fractie van de computationele kosten. De voorspellende betrouwbaarheid van MLIPs is echter intrinsiek verbonden met de kwaliteit van hun trainingsdatasets, die voornamelijk worden gegenereerd met behulp van de Perdew–Burke–Ernzerhof (PBE) generalized gradient approximation (GGA) functionaal. Hoewel PBE breed wordt toegepast vanwege de efficiëntie en stabiliteit, blijft de vraag of het in staat is om de subtiele energieverschillen tussen concurrerende polymorfen in complexe systemen zoals hafniumoxide (HfO₂) nauwkeurig te beschrijven, een kritische kwestie. HfO₂ vertoont sterke polymorfe competitie (inclusief monocline, orthorombische en tetragonale fasen) en is zeer gevoelig voor externe velden en rek (strain). Het centrale probleem dat in dit werk wordt geadresseerd, is of PBE-gebaseerde MLIPs betrouwbaar de correcte grondtoestandsstructuur en energielandschappen van HfO₂ kunnen vastleggen, of dat inherente fouten in de PBE-functionaal worden gereproduceerd en versterkt door de machine learning-modellen.

Methodologie
De auteurs hanteerden een veelzijdige aanpak om de betrouwbaarheid van PBE-gebaseerde modellen voor HfO₂ te onderzoeken:

1. MLIP Training en Globale Zoektocht: Een specifieke MLIP gebaseerd op de Allegro-architectuur werd getraind op een dataset gegenereerd via ab initio moleculaire dynamica (AIMD) met gebruik van de PBE-functionaal (VASP). Deze potentiaal werd gebruikt om globale structurele zoektochten uit te voeren met behulp van de CALYPSO-software om de laagste-energie structuren te identificeren.
2. Benchmarking tegenover Foundation Models: Om te bepalen of de bevindingen specifiek waren voor hun eigen aangepaste model, voerden de auteurs structurele zoektochten uit met verschillende veelgebruikte, vooraf getrainde PBE-gebaseerde foundation models, waaronder NequIP-OAM-L, MatterSim-v1-5M en MACE-MP-0.
3. Functionaal Vergelijking: De auteurs berekenden de relatieve energieën van diverse HfO₂ kristalstructuren (inclusief de monocline $P2_1/c$, tetragonale $P4_2/nmc$, orthorombische $Pca2_1$ en de nieuw geïdentificeerde $I4_1/amd$ fasen) met behulp van een reeks uitwisselings-correlatie functionalen: PBE, PBE-vdW, SCAN, PBEsol en de lokale dichtheidsbenadering (LDA).
4. Polarisatie-schakelingsanalyse: Om de impact van functionaal-bias op dynamische processen te beoordelen, berekenden de auteurs polarisatie-schakelingspaden voor ferro-elektrisch orthorombisch HfO₂ ($Pca2_1$) met zowel PBE als PBEsol. Deze berekeningen werden uitgevoerd onder zowel vaste-rooster als gerelaxeerde-rooster condities met behulp van de Nudged Elastic Band (NEB) en Generalized Solid-State NEB (GSSNEB) methoden.

Belangrijkste Resultaten

• Identificatie van een Onjuiste Grondtoestand: Zowel de specifieke PBE-gebaseerde MLIP als meerdere publieke foundation models (NequIP-OAM-L, MatterSim-v1-5M) voorspelden onterecht een lage-energie $I4_1/amd$ structuur als het globale minimum voor HfO₂. Deze structuur, die lijkt op rutiel TiO₂ en zesvoudige Hf–O octaëder-eenheden bevat, bleek ongeveer 17 meV/f.u. lager in energie te liggen dan de experimenteel geverifieerde monocline $P2_1/c$ grondtoestand.
• Oorsprong van de Fout: Vergelijkende DFT-berekeningen bevestigden dat de MLIP's de PBE-DFT resultaten getrouw reproduceerden, wat bewees dat de fout geen machine-learning fitting-artefact was, maar een intrinsieke tekortkoming van de PBE-functionaal zelf. De $I4_1/amd$ fase kwam alleen naar voren als de laagste-energie structuur onder de PBE-functionaal. Wanneer andere functionalen (PBE-vdW, SCAN, PBEsol, LDA) werden gebruikt, werd de $I4_1/amd$ fase aanzienlijk minder stabiel en werd deze zelfs de hoogste-energie fase onder LDA.
• Structurele Gevoeligheid: De fout werd herleid tot de neiging van PBE om structuren met een lage dichtheid met grote evenwichtsvolumes en specifieke coördinatieomgevingen (zesvoudige Hf, drievoudige O) te overstabiliseren. Functionalen die compactere structuren bevoordelen, zoals PBEsol en LDA, straffen deze configuraties met een lage dichtheid af.
• Impact op Ferro-elektrische Schakeling: De functionaal-bias veranderde de energielandschappen voor polarisatie-schakeling aanzienlijk wanneer rooster-relaxatie werd toegestaan. Onder vaste-rooster condities leverden PBE en PBEsol vergelijkbare barrières op. Echter, met rooster-relaxatie voorspelde PBE een duidelijke $Pbcn$-achtige intermediaire toestand met een lagere barrière, terwijl PBEsol een conventionele tetragonale-achtige transitietoestand behield. Dit gebeurde omdat het energielandschap van PBE de $Pbcn$ fase een concurrerende laag-energie basin maakt, terwijl PBE de $Pbcn$ fase op een veel hogere energie plaatst.

Belangrijkste Bijdragen

• Ontdekking van een Systematisch MLIP-falen: De studie onthult een voorheen ongerapporteerde, spuria true grondtoestand-voorspelling ($I4_1/amd$) die voorkomt bij meerdere state-of-the-art PBE-gebaseerde MLIP's voor HfO₂.
• Toeschrijving aan Uitwisselings-Correlatie Functionalen: Het werk demonstreert definitief dat fouten in de MLIP-voorspellingen van kristalstructuren direct kunnen voortkomen uit de gebruikte uitwisselings-correlatie functionaal, in plaats van uit de machine learning architectuur of het fittingproces.
• Functionaal-Afhankelijke Energielandschappen: Het onderzoek benadrukt dat de keuze van de functionaal de topologie van het potentiaal-energie-oppervlak fundamenteel verandert, met name voor processen die grote rooster-relaxaties involvolleren, zoals faseovergangen en ferro-elektrische schakeling.
• Validatie van Alternatieve Functionalen: De studie toont aan dat de fout grotendeels kan worden onderdrukt door alternatieve functionalen zoals PBEsol en LDA te gebruiken, die correct de monocline $P2_1/c$ structuur als grondtoestand voorspellen.

Betekenis en Claims
De auteurs presenteren deze studie als een kritische waarschuwing aan de materiaalsimulatie-gemeenschap. Zij stellen dat hoewel MLIP's krachtig zijn, hun betrouwbaarheid niet uitsluitend beoordeeld kan worden op basis van hun vermogen om referentie DFT-data te reproduceren. Als de onderliggende DFT-functionaal systematische biases bevat (zoals de overschatting van volumes door PBE voor bepaalde coördinatieomgevingen), zal de MLIP deze fouten getrouw reproduceren, wat leidt tot fysiek incorrecte voorspellingen van grondtoestanden en faseovergangspaden. Het artikel benadrukt de noodzaak om de fysieke validiteit van de gebruikte uitwisselings-correlatie functionaal zorgvuldig te evalueren, vooral bij het simuleren van systemen met complexe polymorfe competitie en rooster-relaxatie. De bevindingen suggereren dat voor HfO₂ en soortgelijke systemen, het vertrouwen op PBE-getrainde foundation models zonder functionaal-validatie kan leiden tot misleidende conclusies over structurele stabiliteit en schakelmechanismen.