Machine-learning octet $AB$-type binary compounds across chemical space with domain knowledge of the interatomic bond

Technische Samenvatting: Machine-learning voor octet AB-type binaire verbindingen over de chemische ruimte met domeinkennis van de interatomaire binding

Probleemstelling
De voorspelling van structurele stabiliteit voor octet AB-type binaire verbindingen (verbindingen met twee elementen en acht valentie-elektronen per formule-eenheid) is een klassieke uitdaging in de materiaalinformatica. Deze verbindingen kristalliseren in ofwel de zinkblende (ZB, 4-voudige tetraëdrische coördinatie) of de rotszout (RS, 6-voudige octaëdrische coördinatie) structuur. De stabiliteit wordt beheerst door een complex samenspel van ladingsoverdracht, verschillen in atomaire grootte en de overgang van covalente naar ionische binding. Hoewel eerdere machine learning (ML)-benaderingen gebruik hebben gemaakt van atomaire kenmerken zoals valentie-elektronenaantallen, ionisatiepotentialen en atomaire radii, of symbolische regressie hebben ingezet om descriptoren te vinden, blijft er een behoefte aan het systematisch integreren van expliciete domeinkennis over interatomaire bindingen om de voorspellende nauwkeurigheid voor het formatie-energieverschil ($\Delta E_{AB}$) tussen deze fasen te verbeteren.

Methodologie
De auteurs stellen een methodologie voor waarbij domeinkennis van interatomaire bindingen direct wordt gecodeerd in de feature-ruimte die wordt gebruikt voor ML-modellen. De kern van deze aanpak omvat:

1. Bond-Informed Recursion Features: In plaats van uitsluitend te vertrouwen op statische atomaire eigenschappen, berekenen de auteurs lokale elektronische structuur-descriptoren met behulp van een tight-binding (TB) bindingsmodel. Paar-Hamiltonianen ($H_{i\alpha j\beta}$) worden afgeleid van de downfolded eigenwaarden van dichtheidsfunctionaaltheorie (DFT)-berekeningen voor diatomische moleculen, waardoor de kenmerken specifieke chemische kennis van A–B paren bevatten.
2. Lanczos Recursion: Deze Hamiltonianen worden getransformeerd naar een tri-diagonale vorm met behulp van het Lanczos-algoritme, wat recursiecoëfficiënten ($a_n$ en $b_n$) genereert. Deze coëfficiënten vertegenwoordigen de lokale dichtheid van toestanden (DOS) en vatten de elektronische omgeving samen tot de $n$-de schil van buren.
3. Feature Constructie:
   • AtomF: Een basisset van fundamentele atomaire eigenschappen (elektronegativiteit, orbitale radii, ionisatiepotentiaal, etc.).
   • RecN: Recursie-gebaseerde kenmerken berekend voor $n \leq 8$. Om de structurele afhankelijkheid te behandelen, worden kenmerken berekend voor geïdealiseerde RS en ZB eenheidscellen (geschaald volgens de wet van Vegard) en vergeleken met behulp van operatoren (verschil $\Delta$ en ratio $r$) tussen de twee structuren.
   • Gecombineerde Vectoren: Feature-vectoren worden geconstrueerd door AtomF te concateneren met toenemende orden van recursie-kenmerken (Rec1 tot Rec8).
4. Machine Learning Architectuur:
   • Ensemble Strategie: Gezien de kleine omvang van de dataset (82 verbindingen, gereduceerd naar 78 na verwijdering van uitschieters), wordt een ensemble-aanpak gebruikt om robuustheid te garanderen. De workflow omvat 150 herhaalde ShuffleSplit cross-validaties.
   • Sequential Feature Selection (SFS): Een 'greedy forward search' met conditionele exclusie wordt gebruikt om de optimale subset van descriptoren voor elke feature-set te selecteren.
   • Modellen: Twee typen modellen worden getraind en gecombineerd: Kernel Ridge Regression (KRR) met polynomiale kernels en de Sure Independence Screening and Sparsifying Operator (SISSO) voor symbolische regressie. De uiteindelijke ensemble-voorspelling is een gewogen gemiddelde op basis van individuele modelprestaties.
5. Dataset: De studie maakt gebruik van dezelfde 82 octet binaire verbindingen als een eerdere referentiestudie [3], waarbij het formatie-energieverschil $\Delta E_{AB} = \Delta H_{F,AB}^{RS} - \Delta H_{F,AB}^{ZB}$ wordt voorspeld. Uitschieters (BN, C2, LiBr, LiCl) werden geïdentificeerd en geanalyseerd, wat leidde tot twee datasetversies: D1 (alle 82) en D2 (78, uitschieters verwijderd).

Belangrijkste Resultaten
De studie toont aan dat het integreren van bond-informed recursie-kenmerken de voorspelling van structurele stabiliteit significant verbetert ten opzichte van modellen die alleen atomaire kenmerken of eerdere symbolische regressie-benchmarks gebruiken.

• Prestaties op Volledige Dataset (D1): Het ensemble-model getraind op louter atomaire kenmerken (AtomF) presteerde beter dan het referentiemodel van Ghiringhelli et al. [3]. Echter, de beste prestatie werd bereikt door AtomF te combineren met recursie-kenmerken tot de 4e orde (AtomF + Rec4). Deze configuratie leverde een gemiddelde Root Mean Square Error (RMSE) van $0,015 \pm 0,002$ eV op de trainingsset en $0,046 \pm 0,026$ eV op de testset, wat aanzienlijk lager is dan de test RMSE van $0,139 \pm 0,088$ eV van het referentiemodel.
• Prestaties op Verfijnde Dataset (D2): Op de dataset waarbij uitschieters zijn uitgesloten, was de verbetering nog prominenter. Het AtomF + Rec6 model bereikte een gemiddelde test RMSE van $0,029 \pm 0,010$ eV. Dit presteerde beter dan zowel het referentiemodel als de 3D SISSO ensemble, die stagneerden op een hoger foutbereik ($0,062–0,074$ eV).
• Robuustheid: De inclusie van recursie-kenmerken verminderde niet alleen de gemiddelde fouten, maar verbeterde ook de modelstabiliteit aanzienlijk. De maximale Mean Absolute Error (MAE) over 150 splits daalde van $0,382$ eV (referentiemodel) naar $0,101$ eV (AtomF + Rec4) op D1, en van $0,155$ eV naar $0,045$ eV op D2.
• Orde van Recursie: De resultaten wijzen erop dat de voorspellende nauwkeurigheid verbetert bij de inclusie van hogere-orde recursie-kenmerken tot een bepaald punt (4e orde voor D1, 6e orde voor D2), waarna de prestaties convergeren of licht verslechteren, wat suggereert dat de meest kritieke bindingsinformatie wordt gevangen in de eerste paar recursieniveaus.

Betekenis en Claims
Het artikel claimt dat het expliciet integreren van domeinkennis van interatomaire bindingen via een grofmazige representatie van de lokale elektronische structuur (recursiecoëfficiënten van TB-modellen) systematisch en significant de voorspelling van fase-stabiliteit in octet binaire verbindingen verbetert.

De auteurs benadrukken dat deze aanpak gebruikmaakt van vooraf berekende, bindingsspecifieke Hamiltonianen afgeleid van de DFT-eigenwaarden van diatomische moleculen om kenmerken te genereren die de essentiële fysica van coördinatie en ladingsoverdracht vastleggen. Door gebruik te maken van deze domein-geïnformeerde descriptoren, demonstreert de studie dat ML-modellen een hogere nauwkeurigheid en robuustheid kunnen bereiken dan voorheen gangbare state-of-the-art symbolische regressiemodellen die dezelfde trainingsdata gebruiken, wat het nut van het inbedden van fysieke domeinkennis direct in het proces van feature engineering voor materiaalinformatica valideert.