🔬 materials science

Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

Deze studie presenteert natuurkunde-geïnformeerde machine learning-modellen die nauwkeurig cRPA-afgeleide Hubbard-interactieparameters ( $U_{\rm eff}$ , $V$ en $J$ ) voor overgangsmetaaloxiden voorspellen, wat zowel mogelijkheden biedt voor hoogdoorvootscreening als nieuwe fysieke inzichten in de elektronische en structurele factoren die deze interacties beheersen.

Oorspronkelijke auteurs: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Gepubliceerd 2026-07-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een perfect model te bouwen van een minuscule, bruisende stad gemaakt van atomen. In deze stad zijn elektronen de burgers die rondjes draaien en met elkaar interageren. Soms zijn deze elektronen braaf en volgen ze de standaard verkeersregels. Maar in bepaalde materialen, zoals overgangsmetaaloxiden, worden de elektronen onhandelbaar. Ze beginnen elkaar zo hard te duwen en te duwen dat de gebruikelijke regels vervallen. Dit wordt "sterke elektroncorrelatie" genoemd. Om deze materialen te begrijpen—die cruciaal zijn voor het maken van betere batterijen, supergeleiders en magneten—gebruiken wetenschappers een speciale set regels genaamd "Hubbard-parameters". Denk aan deze parameters als de "verkeerswetten" voor deze onhandelbare elektronen: hoeveel ze elkaar afstoten wanneer ze op dezelfde plek zijn (on-site), hoe ze interageren met buren aan de overkant van de straat (inter-site), en hoe ze in sync spinnen (Hunds koppeling).

Lange tijd was het uitzoeken van deze verkeerswetten een gokspel. Wetenschappers pasten de getallen aan totdat hun computermodellen overeenkwamen met echte experimenten uit de wereld, maar dit maakte hun modellen onbetrouwbaar voor nieuwe materialen. Later werd een meer rigoureuze methode ontwikkeld, de "constrained random-phase approximation" (cRPA). Het is alsof je een supernauwkeurige verkeerscamera hebt die de exacte regels op basis van fysica kan berekenen, maar het is zo rekenintensief dat het eeuwen duurt om de resultaten te krijgen, waardoor het onmogelijk is om elk materiaal in het universum te controleren. Hier wordt het verhaal interessant: hoe krijgen we de nauwkeurigheid van de supercamera zonder jaren te wachten op de resultaten?

Het Verhaal van het Papier: Computers Leren de Regels te Raden

In dit onderzoek besloten onderzoeker Jiyeon Kim, Indukuru Ramesh Reddy en hun team aan de Kyungpook National University een computer te leren een meesterverkeersregelaar te zijn. Ze wilden een "fysica-geïnformeerd" machine learning-model bouien dat deze lastige Hubbard-parameters (specifiek $U_{eff}$ , $V$ , en $J$ ) voor overgangsmetaaloxiden kon voorspellen. In plaats van de computer alleen maar blind te laten raden, gaven ze het een spiekbriefje met fysieke aanwijzingen—dingen zoals hoe breed de "snelweg" van het elektron is (bandbreedte) en hoe ver de energieniveaus van het elektron van de zuurstofburen af liggen (band-center separatie).

Het team bouwde eerst een enorme dataset met behulp van de trage, dure cRPA-methode om de "ware" antwoorden voor een verscheidenheid aan materialen te verkrijgen. Vervolgens trainden ze drie verschillende soorten machine learning-detectives (genaamd Random Forest, Gradient Boosting en XGBoost) om de patronen te leren. De resultaten waren indrukwekkend. De beste detective, een XGBoost-model, kon de on-site afstoting ( $U_{eff}$ ) voorspellen met een fout van slechts 0,148 eV, de interactie met buren ( $V$ ) met een fout van 0,062 eV, en de spin-uitlijning ( $J$ ) met een piepkleine fout van 0,007 eV. Om dit in perspectief te plaatsen: het model is zo goed dat het het verschil tussen materialen bijna even goed kan aangeven als de trage, dure methode, maar dan in een fractie van een seconde.

Maar de auteurs stopten niet bij het maken van een "black box" die antwoorden geeft. Ze wilden weten waarom de computer deze gokken maakte. Daarom gebruikten ze een tweede truc die een "regressie-gebaseerde brute-force search" (BFS) wordt genoemd. Stel je dit voor als het nemen van de beste gokken van de computer en het dwingen om een eenvoudige wiskundige vergelijking op te schrijven die de logica verklaart. Dit onthulde enkele fascinerende waarheden over de atomaire wereld:

Voor de On-Site Afstoting ( $U_{eff}$ ): Het model vond dat deze waarde een touwtrekwedstrijd is tussen hoe "gelokaliseerd" een elektron is (hoe vastgeklonken het aan zijn atoom zit) en hoeveel het mengt met zijn zuurstofburen. De wiskunde toonde aan dat als het elektron meer gelokaliseerd is (smallere bandbreedte) en minder mixt met zuurstof (grotere energie-separatie), de afstoting sterker wordt. De afgeleide vergelijking koppelde deze fysieke concepten direct aan het uiteindelijke getal.
Voor de Interactie met Buren ( $V$ ): Deze draaide volledig om structuur. Het model suggereerde dat hoe dichter de atomen op elkaar gepakt zijn (structurele compactheid) en hoe sterker de menging met zuurstof is, hoe sterker de interactie tussen buren is. Interessant genoeg deed de "lokalisatie" van het elektron er hier minder toe dan bij de on-site afstoting.
Voor de Spin-Uitlijning ( $J$ ): Dit was de eenvoudigste van allemaal. Het model ontdekte dat de spin-uitlijning bijna volledig wordt bepaald door de identiteit van het metaalatoom zelf. Het is als een vingerafdruk; als je het element kent (het atoomnummer en de groep), kun je het spin-gedrag met ongelooflijke nauwkeurigheid voorspellen, ongeacht de complexe structuur eromheen. Het model suggereerde dat omdat deze interactie zwak wordt afgeschermd door de omgeving, het natuurlijke karakter van het atoom erdoorheen schijnt.

De auteurs benadrukken dat hoewel deze machine learning-modellen zeer accuraat zijn, ze geen magie zijn. Ze zijn gebouwd op het fundament van de cRPA-data, die dient als de "waarheid" voor de training. De studie suggereert dat door de snelheid van machine learning te combineren met de fysieke inzichten van deze afgeleide vergelijkingen, wetenschappers nu duizenden materialen snel kunnen screenen zonder het diepe begrip van waarom ze zich zo gedragen, op te offeren. Het is een manier om het beste van beide werelden te krijgen: de snelheid van een gok en de wijsheid van een fysicus.

Technische Samenvatting: Physics-informed Machine Learning Voorspelling van Hubbard-interactieparameters

Probleemstelling
Nauwkeurige bepaling van Hubbard-interactieparameters—specifiek de effectieve on-site Coulomb-interactie ( $U_{eff}$ ), de inter-site Coulomb-interactie ( $V$ ) en de Hund's koppeling ( $J$ )—is cruciaal voor het toepassen van beyond-DFT methoden (zoals DFT+U, DFT+DMFT en DFT+U+V) op gecorreleerde materialen. Hoewel empirische afstemming van deze parameters gebruikelijk is, beperkt dit de overdraagbaarheid. First-principles benaderingen zoals de constrained random-phase approximation (cRPA bieden een rigoureuze, overdraagbare route door elektronische screening expliciet te behandelen. Echter, de hoge computationele kosten van cRPA-berekeningen vormen een bottleneck voor grootschalige materiaalscreening. Hoewel recente machine learning (ML) studies de Hubbard-parameters hebben voorspeld, blijft de specifieke voorspelling van cRPA-afgeleide $U_{eff}$ , $V$ en $J$ met descriptoren die elektronische lokalisatie en screeningseffecten vangen, grotendeels onontgonnen.

Methodologie
De auteurs ontwikkelden een physics-informed ML-framework om cRPA-afgeleide parameters te voorspellen voor een diverse set van overgangsmetaaloxiden (TMO's) met perovskiet-, olivijn-, spinel-, gelaagde en gelaagde perovskietstructuren.

Data-generatie: Een dataset van $U_{eff}$ , $V$ en $J$ werd gegenereerd met behulp van cRPA-berekeningen binnen VASP. De gecorreleerde subspace (TM-d manifold) werd gedefinieerd via Wannier-functieprojecties, waarbij screeningprocessen geassocieerd met deze banden werden uitgesloten om de gescreende interactie te berekenen.
Feature Constructie: De studie construeerde 12 descriptoren gecategoriseerd in:
- Elektronische structuurkenmerken: TM-d bandbreedte ( $W$ ) en de energie-separatie tussen de TM-d en O-p bandcentra ( $D_{d-p}$ ), representatief voor respectievelijk lokalisatie en hybridisatie/screening.
- Atomaire en compositionele kenmerken: Atomaal nummer ( $Z_{TM}$ ), groep ( $G_{TM}$ ), periode ( $P_{TM}$ ), gemiddeld d-elektronaantal ( $n_d$ ) en gemiddelde oxidatietoestand ( $n_{ox}$ ).
- Structurele kenmerken: Aantal atomen in de eenheidscel ( $N_{u.c}$ ), aantal TM-ionen in de eenheidscel ( $TM_{u.c}$ ), kortste TM-O bindingslengte ( $d_{TM-O}$ ), volume per formule-eenheid ( $V_{f.u}$ ) en ruimtelijke groepnummer ($SG$).
Modelleringsstrategie: De studie hanteerde een duale benadering:
- Ensemble Learning: Random Forest (RF), Gradient Boosting Regression (GBR) en Extreme Gradient Boosting (XGB) modellen werden getraind met Leave-One-Out Cross-Validation (LOOCV) om sleutelkenmerken te identificeren en een hoge voorspellende nauwkeurigheid te bereiken.
- Regressie-gebaseerde Brute-Force Search (BFS): Om expliciete analytische expressies te verkrijgen, werd een BFS-algoritme toegepast. Primaire kenmerken geselecteerd uit de ensemble-analyse werden getransformeerd met behulp van 15 niet-lineaire functies (bijv. $x, 1/x, e^x, \ln(x+1)$ ) om prototypische kenmerken te genereren. Deze werden multiplicatief gecombineerd tot samengestelde kenmerken om lineaire regressiemodellen te construeren (aangeduid als $mCnF$, waarbij $m$ het aantal samengestelde kenmerken is en $n$ het aantal primaire kenmerken).

Belangrijkste Resultaten

Voorspelling van $U_{eff}$ :
- Ensemble Modellen: XGB behaalde de beste prestaties met een RMSE van 0,148 eV en een $R^2$ van 0,899 met zes kenmerken ( $n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$ ). Een subset van vier kenmerken ( $n_{ox}, n_d, N_{u.c}, V_{f.u}$ ) leverde bijna verzadigde prestaties op (RMSE 0,168 eV).
- Analytische Expressies: De BFS-methode produceerde expliciete formules. Een model dat gebruikmaakte van de fysisch gemotiveerde set ( $W, D_{d-p}, n_d, V_{f.u}$ ) bereikte een RMSE van 0,207 eV. De afgeleide analytische vorm (Eq. 3) relateert $U_{eff}$ direct aan lokalisatie ( $W$ ) en hybridisatie ( $D_{d-p}$ ), waarbij $U_{eff}$ toeneemt bij verminderde hybridisatie (grotere $D_{d-p}$ ) en een niet-monotone afhankelijkheid van $n_d$ vertoont.
Voorspelling van Inter-site $V$ :
- Ensemble Modellen: XGB behaalde een RMSE van 0,062 eV ( $R^2 = 0,784$ ) met vijf kenmerken ( $n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$ ).
- Analytische Expressies: Het beste BFS-model (3C2F configuratie) met de set ( $n_d, N_{u.c}, V_{f.u}, P_{TM}$ ) behaalde een RMSE van 0,071 eV. De resulterende formule (Eq. 4) geeft aan dat $V$ wordt beheerst door structurele compactheid (kleinere $V_{f.u}$ en grotere $N_{u.c}$ verhogen $V$ ) en hybridisatie-gerelateerde screening ( $D_{d-p}$ ), terwijl $W$ (lokalisatie) een minimale rol speelt.
Voorspelling van Hund's Koppeling $J$ :
- Ensemble Modellen: $J$ werd voorspeld met uitzonderlijke nauwkeurigheid met minimale descriptoren. XGB behaalde een RMSE van 0,007 eV ( $R^2 = 0,989$ ) met slechts drie kenmerken ( $G_{TM}, P_{TM}, SG$ ). Zelfs een enkel kenmerk ( $Z_{TM}$ ) leverde een RMSE van ~0,015 eV op.
- Analytische Expressies: De BFS-analyse bevestigde dat $J$ primair wordt beheerst door intrinsieke atomaire kenmerken. Het beste analytische model (Eq. 6) is afhankelijk van enkel elementaire descriptoren ( $G_{TM}$ en $P_{TM}$ ), wat de trend reflecteert dat $J$ toeneemt met de TM-serie en afneemt met de periode, wat consistent is met het behoud van de kale atomaire trends door zwakke screening in cRPA.

Betekenis en Claims
Het artikel claimt een efficiënte aanpak te bieden voor het voorspellen van cRPA-afgeleide Hubbard-parameters, waardoor DFT+U en DFT+U+V workflows worden versneld zonder afhankelijk te zijn van empirische fitting. Door ensemble learning te combineren met BFS, bereikt de studie zowel een hoge voorspellende nauwkeurigheid als fysische interpreteerbaarheid.

De auteurs benadrukken dat hun framework specifieke fysische inzichten biedt:

$U_{eff}$ is direct gekoppeld aan de competitie tussen elektronische lokalisatie en de TM-d/O-p hybridisatie.
$V$ wordt primair bepaald door hybridisatie-gerelateerde screening en structurele compactheid, in plaats van door orbitale lokalisatie.
$J$ wordt bijna volledig beheerst door de intrinsieke atomaire eigenschappen van het overgangsmetaalion, aangezien de cRPA-screening voor deze parameter zwak is.

De studie concludeert dat dit physics-informed ML-framework een praktische route biedt voor het identificeren van descriptor-eigenschap relaties in gecorreleerde oxiden en expliciete analytische formules biedt die kunnen worden toegepast op nieuwe materialen zonder toegang te vereisen tot de oorspronkelijke trainingsdata of complexe cRPA-berekeningen.

Meer zoals dit