Predicting large-supercell defect formation energies from machine-learning charge density models trained on small supercells

Stel je voor dat je probeert te begrijpen hoe één enkele kapotte tegel het hele vloerplan van een enorm, oud kasteel beïnvloedt. In de wereld van materiaalkunde worden deze "kapotte tegels" defecten genoemd—ontbrekende atomen of atomen die op de verkeerde plek zitten binnen een kristal. Deze piepkleine foutjes kunnen bepalen hoe een materiaal elektriciteit geleidt, licht geeft of weerstand biedt tegen druk. Om precies te achterhalen wat deze defecten doen, gebruiken wetenschappers een krachtig computer-simulatietool genaamd Density-Functional Theory (DFT). Denk aan DFT als een supernauwkeurige digitale microscoop die het gedrag van elk elektron in het materiaal berekent. Er is echter een addertje onder het gras: om een echt beeld van een enkel defect te krijgen, moet je een enorme brok van het kristal simuleren, zodat de "kapotte tegel" niet per ongeluk tegen zijn eigen reflectie van de andere kant van het scherm aanbotst. Deze vereiste van enorme, dure simulaties maakt het bestuderen van deze defecten ongelooflijk traag en kostbaar, alsof je een hele stad probeert in kaart te brengen om slechts één kuil in de weg te vinden.

Onlangs hebben wetenschappers geprobeerd dit te versnellen met behulp van machine learning, waarbij ze computers leren om de antwoorden te raden in plaats van ze vanaf nul te berekenen. Meestal worden deze computermodellen getraind om de totale energie van een systeem te voorspellen, wat zoiets is als het schatten van het gewicht van een koffer door naar de grootte ervan te kijken. Maar dit artikel suggereert een andere aanpak: in plaats van het gewicht te raden, laten we de computer de "ladingdichtheid" (charge density) zien. Als je de elektronen in een materiaal voor je ziet als een mist die rond de atomen wervelt, dan is de ladingdichtheid de kaart van hoe dik of dun die mist is op elk specifief punt. De auteurs stellen voor dat als een computer leert om deze "mistkaart" nauwkeurig te voorspellen, het de energie van een defect veel efficiënter kan bepalen, zelfs als het alleen kleine stukjes van de puzzel ziet tijdens de training.

De onderzoekers, Junjie Zhou, Menglin Huang en Shiyou Chen van de Fudan Universiteit, testten dit idee op Galliumnitride (GaN), een materiaal dat wordt gebruikt in alles van blauwe LED's tot vermogenselektronica. Ze richtten zich op vier specifieke soorten "kapotte tegels" (defecten) in dit materiaal. Hun hoofddoel was om te zien of ze een machine-learningmodel konden trainen op kleine, goedkope simulaties en het vervolgens kon gebruiken om het gedrag van defecten in enorme, dure simulaties te voorspellen.

Hier is de slimme wending die ze ontdekten: ze gebruikten niet alleen één grootte van een simulatie. In plaats daarvan gebruikten ze een "gemengde grootte"-strategie. Ze voedden de computer een dataset die een mix bevatte van kleine supercellen (met 16 tot 32 atomen) en een paar middelgrote tot grote cellen (tot 96 atomen). Ze ontdekten dat de kleine cellen uitstekend waren in het leren aan de computer hoe het "bulk"-materiaal er ver van het defect uitziet, terwijl de iets grotere cellen noodzakelijk waren om de computer te laten zien hoe het defect de nabijgelegen atomen daadwerkelijk vervormt. Door deze verschillende maten te mengen, creëerden ze een model dat de energie van een defect in een gigantische supercel van 360 atomen nauwkeurig kon voorspellen.

De resultaten waren opmerkelijk. Met gebruik van een dataset van slechts 96 verschillende structuren, voorspelde hun nieuwe model de vormingsenergie van defecten met een fout van minder dan 0,05 elektronvolt (eV). Om dat in perspectief te plaatsen: een standaard machine-learningmodel dat op dezelfde kleine dataset werd getraind maar probeerde de totale energie direct te raden (in plaats van de ladingdichtheid), maakte fouten van meer dan 1 eV—meer dan 20 keer slechter. De auteurs toonden aan dat deze benadering via de ladingdichtheid de computer in staat stelt om beter te "extrapoleren", of zijn kennis te strekken van kleine cellen naar grote cellen, dan eerdere methoden.

Ze demonstreerden ook dat deze methode meer kan dan alleen energie voorspellen. Omdat het model de ladingdichtheidskaart voorspelt, konden ze ook andere elektronische eigenschappen berekenen, zoals de energieniveaus waar elektronen in vast komen te zitten (defectniveaus) en hoe het materiaal draait (spin-polarisatie). Zo voorspelden ze bijvoorbeeld correct de spin-splitting in een specifiek defect, een detail dat kleinere simulaties volledig misten omdat de "kapotte tegel" in die kleine dozen te dicht bij zijn eigen reflectie zat.

Het artikel betoogt dat dit succes optreedt omdat ladingdichtheid een lokale eigenschap is. Als de computer leert hoe de elektronische mist rond een ontbrekend atoom in een kleine doos eruitziet, kan hij datzelfde patroon herkennen in een enorme doos, mits hij genoeg voorbeelden heeft gezien van hoe de mist zich op verschillende afstanden gedraagt. Dit is anders dan de totale energie, die een globale som is van alles in de doos en in de war raakt als de doos te klein is.

Concluderend suggereren de auteurs dat door te trainen op een slim mengsel van kleine en middelgrote supercellen en door de focus te leggen op de ladingdichtheidskaart in plaats van alleen de totale energie, wetenschappers de kosten van het simuleren van defecten drastisch kunnen verlagen. Ze vonden dat deze gemengde grootte-aanpak de computationele kosten met een factor 6,2 verminderde vergeleken met het gebruik van alleen grote supercellen, terwijl de hoge nauwkeurigheid behouden bleef. Dit betekent niet dat het probleem voor elk materiaal in het universum is opgelost, maar het biedt een veelbelovend, data-efficiënt pad voor het voorspellen van hoe defecten zich gedragen in grote supercellen, wat potentieel de ontdekking van betere materialen voor onze elektronica kan versnellen.