🔬 materials science

Accelerated Discovery of Materials with Extreme Work Functions through Uncertainty-Aware Multi-Fidelity Screening

Dit artikel presenteert een onzekerheidsbewust, multi-fidelity machine learning-framework dat 5,5 miljoen verbindingen heeft gescreend om meer dan 400 oppervlakken met extreme werkfuncties te identificeren, waarbij nieuwe chemische motieven zoals lanthanidenrijke terminaties voor lage werkfuncties en metalloïden voor hoge werkfuncties werden onthuld om de ontdekking van materialen te versnellen.

Oorspronkelijke auteurs: Jun Meng, Ryan Jacobs, Rehan Kapadia, John Booske

Gepubliceerd 2026-08-12

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jun Meng, Ryan Jacobs, Rehan Kapadia, John Booske

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 het oppervlak van een materiaal voor als een drukke dansvloer waar elektronen de dansers zijn. Sommige dansers zijn zo enthousiast om het feestje te verlaten dat ze met bijna geen enkele inspanning van de vloer kunnen springen; anderen zitten aan de vloer geplakt en hebben een enorme duw nodig om te ontsnappen. In de wereld van de natuurkunde wordt deze "inspanning" die nodig is om een elektron uit een materiaal te trappen, de uittree-energie (work function) genoemd. Het is een beetje zoals de hoogte van een hek rond een speeltuin: een laag hek (lage uittree-energie) betekent dat kinderen er gemakkelijk overheen kunnen springen, terwijl een hoog hek (hoge uittree-energie) hen veilig binnenhoudt. Dit concept is het geheime ingrediënt achter alles, van de schermen op je telefoon tot de zonnepanelen op een dak en de motoren die ruimtevaartuigen aandrijven. Als we materialen kunnen vinden met de perfecte hekhoogte—ofwel superlaag om elektronen makkelijk te laten wegvliegen, ofwel superhoog om ze binnen te houden—zouden we snellere computers, schonere energieapparaten en efficiëntere katalysatoren kunnen bouwen. Maar het vinden van deze materialen is als het zoeken naar een speld in een hooiberg ter grootte van een melkwegstelsel, omdat de "hekhoogte" verandert afhankelijk van de exacte manier waarop de atomen op het oppervlak zijn gerangschikt, wat het ongelooflijk moeilijk maakt om te voorspellen.

Maak kennis met een team onderzoekers dat besloot te stoppen met gissen en begon met het gebruiken van een superintelligente digitale detective. Ze bouwden een nieuw computersysteem dat machine learning (AI die leert van patronen) combineert met een meerstaps screeningsproces om door miljoenen mogelijkheden te zeven. Denk aan hun methode als een hoogtechnologische zeef met drie lagen. Eerst gebruikten ze een "ruwe filter" gebaseerd op een Random Forest-model—een type AI dat fungeert als een commissie van beslissingsbomen—om snel de uittree-energie van ongeveer 5,5 miljoen verschillende materiaaloppervlakken te raden. Maar hier is de crux: de AI is niet perfect, en soms is hij overmoedig. Daarom voegden de onderzoekers een "betrouwbaarheidsmeter" toe aan hun AI. Deze meter vertelt hen wanneer de AI in het donker staat te gissen (buiten zijn trainingszone) versus wanneer hij naar iets bekends kijkt. Ze voegden ook een "relaxatiestap" toe, wat er eigenlijk op neerkomt dat de atomen op het oppervlak een diepe ademteug nemen en in hun meest comfortabele posities gaan zitten, want een rommelig, gespannen oppervlak geeft een fout antwoord.

Na het uitvoeren van deze rigoureuze, meerlagige controle, vond het team enkele echt opwindende kandidaten. Ze identificeerden 209 oppervlakken met extreem lage uittree-energieën (onder de 2,0 eV) en 227 oppervlakken met extreem hoge uittree-energieën (boven de 6,0 eV). Dit zijn geen willekeurige gissingen; ze werden bevestigd met computerberekeningen met een hoge precisie. De resultaten onthulden enkele bekende patronen, zoals oppervlakken bedekt met alkali-metalen (denk aan de elementen in keukenzout) die zeer lage hekken hebben, wat overeenkomt met wat wetenschappers al wisten. De AI onthulde echter ook enkele verrassende nieuwe combinaties. Zo waren oppervlakken rijk aan lanthaniden (een groep zeldzame aardmetalen) sterk gekoppeld aan die superlage uittree-energieën, terwijl oppervlakken bekroond met metalloïden of fosfor schijnbaar ongelooflijk hoge hekken bouwden. De studie suggereert dat door dit "onzekerheidsbewuste" benadering te gebruiken—waarbij de computer weet wanneer hij het niet zeker weet en de risicovolle gissingen wegfiltert—we de ontdekking van materialen die onze elektronica en energieconversie kunnen revolutioneren kunnen versnellen, zonder dat we ze allemaal fysiek in een laboratorium hoeven te bouwen en te testen.

Technische Samenvatting: Versnelde Ontdekking van Materialen met Extreme Werkfuncties via Onzekerheidsbewuste Multi-Fidelity Screening

Probleemstelling
De werkfunctie ( $\Phi$ ) is een cruciale elektronische eigenschap die de elektronische uitwisseling aan interfaces beheerst, wat essentieel is voor technologieën variërend van thermionische emissie en veldemissie tot katalyse en organische elektronica. Materialen met extreme werkfuncties—specifiek lage waarden ( $\Phi < 2,5$ eV) voor efficiënte elektronenemissie en hoge waarden ( $\Phi > 6,0$ eV) voor effectieve gatentransport of elektronenblokkering—zijn zeer gewenst. De voorspelling van werkfuncties is echter inherent complex vanwege kristallografische anisotropie, oppervlaksrelaxatie, reconstructie en de invloed van adsobaten. Hoewel Density Functional Theory (DFT) de standaard is voor berekeningen, is het computationeel kostbaar voor high-throughput screening van miljoenen kandidaten. Daartegenover staan bestaande Machine Learning (ML) modellen, zoals Random Forest (RF) regressoren, die weliswaar snelheid bieden, maar vaak een gebrek hebben aan betrouwbare onzekerheidskwantificering en beoordeling van het toepassingsdomein (Domain of Applicability, DoA), wat kan leiden tot potentieel misleidend vertrouwen in voorspellingen voor onbekende materialen of extreme waarden.

Methodologie
De auteurs ontwikkelden een schaalbare, multi-fidelity screening workflow die een uitgebreid ML-model integreert met computationele simulaties om $\approx$ 5,5 miljoen verbindingen uit de GNoME- en Alexandria-databases te screenen.

Augmented Random Forest Model:
- Basismodel: Gebouwd op een eerder gepubliceerde RF-model getraind op 58.332 niet-gerelaxeerdeerde DFT-berekende werkfuncties.
- Onzekerheidskalibratie: De ruwe onzekerheidsschattingen (standaarddeviatie van boomvoorspellingen) werden gekalibreerd met behulp van een gekalibreerde bootstrap-methode. Dit proces herschaalt de onzekerheid lineair om ervoor te zorgen dat de resulterende $z$ -scores een standaard normale verdeling volgen, waardoor de voorspelde foutmarges worden afgestemd op de geobserveerde werkelijke fouten.
- Toepassingsdomein (DoA): Een Kernel Density Estimation (KDE) model werd gefit op de trainingskenmerkenruimte om de dissimilariteit van nieuwe kandidaten te kwantificeren. Een dissimilariteitsscore ( $d$ ) werd berekend; voorspellingen met $d > 0,97$ werden gemarkeerd als out-of-domain (OD) en gefilterd om extrapolatiefouten te voorkomen.
Multi-Fidelity Screening Workflow:
- Initiële Filtering: Verbindingen uit GNoME en Alexandria werden gefilterd op niet-radioactieve elementen, thermodynamische stabiliteit ( $E_{hull} \le 50$ meV/atoom) en metallisch karakter (met behulp van een graph neural network om HSE-equivalente bandgap te voorspellen, waarbij verbindingen met $E_{gap} > 0$ werden uitgesloten).
- Oppervlakte-enumeratie: Laag-index oppervlakken ((100), (001), (010), (110), (101), (111)) werden geënumereerd voor $\approx$ 355.000 bulkverbindingen, wat $\approx$ 11 miljoen unieke oppervlakterminaties genereerde.
- ML-Screening: Het augmented RF-model voorspelde werkfuncties, gekalibreerde onzekerheden en DoA-scores. Alleen in-domain (ID) voorspellingen ( $d \le 0,97$ ) werden behouden.
- Oppervlaksrelaxatie: Ongeveer 20.000 top-gerangschikte oppervlakken (extreme lage en hoge $\Phi$ ) ondergingen geometrische relaxatie met behulp van de universele Machine Learning Interatomic Potential (U-MLIP) M3GNet. Deze stap was cruciaal omdat oppervlaksrelaxatie de werkfunctiewaarden aanzienlijk verandert.
- Gerichte DFT: De uiteindelijke high-fidelity validatie werd uitgevoerd met DFT (VASP, PBE functional) op de meest veelbelovende gerelaxeerde oppervlakken om de werkfunctiewaarden te bevestigen.

Belangrijkste Resultaten

Modelprestaties: Het augmented RF-model behaalde een $R^2$ van 0,995 en een MAE van 0,032 eV op de volledige dataset. Cross-validatie toonde een sterke generalisatie naar onbekende materialen (MAE $\approx$ 0,12 eV), hoewel extrapolatie naar waarden buiten de trainingsdistributie (bijv. $<2$ eV of $>10$ eV) zonder DoA-filtering uitdagend bleef.
Onzekerheid en DoA: Kalibratie verbeterde de statistische consistentie van de onzekerheidsschattingen aanzienlijk, waarbij de standaarddeviatie van de $z$ -scores steeg van 0,676 naar 0,999. De DoA-filter ( $d \le 0,97$ ) scheidde succesvol betrouwbare voorspellingen van onbetrouwbare voorspellingen, waardoor het gebied van miskalibratie werd verkleind en werd gewaarborgd dat vervolgbronnen werden gericht op kandidaten met een hoog vertrouwen.
Screeninguitkomsten: De workflow identificeerde:
- 209 oppervlakken met extreem lage werkfuncties ( $\Phi_{DFT} < 2,0$ eV), overeenkomend met 136 unieke materialen.
- 227 oppervlakken met extreem hoge werkfuncties ( $\Phi_{DFT} > 6,0$ eV), overeenkomend met 172 unieke materialen.
Chemische Trends:
- Lage $\Phi$ : Oppervlakken getermineerd door alkali-metalen, aardalkalimetalen en lanthaniden vertoonden consequent lage werkfuncties. Opvallend genoeg waren lanthanide-rijke terminaties sterk geassocieerd met extreem lage waarden.
- Hoge $\Phi$ : Oppervlakken die metalloïden, fosfor, zwavel of selenium bevatten in de bovenste laag, correleerden met uitzexceptioneel hoge werkfuncties.
- Kenmerkbelang (Feature Importance): SHAP-analyse onthulde dat de minimale elektronegativiteit van de elementen in de bovenste laag de dominante voorspeller was, gevolgd door het Mendeleev-getal en de eerste ionisatie-energie.

Betekenis en Claims
Het artikel beweert een schaalbare strategie te demonstreren die gebruikmaakt van onzekerheidsbewuste ML en multi-fidelity computationele inspanningen om de ontdekking van materialen met extreme werkfuncties te versnellen. Door de integratie van onzekerheidskalibratie en DoA-beoordeling biedt de auteur een raamwerk dat de robuustheid van voorspellingen verbetert en onbetrouwbare extrapolaties wegfiltert, wat cruciaal is voor autonome materiaaldestijding. De studie benadrukt dat oppervlaksrelaxatie een niet-onderhandelbare stap is in screening workflows, aangezien het de werkfunctiewaarden met honderden meV kan verschuiven. Bovendien legt het zowel gevestigde chemische principes bloot (bijv. alkali-terminatie die $\Phi$ verlaagt) als minder conventionele motieven (bijv. lanthanide-rijke of fosfor-getermineerde oppervlakken), wat een datagestuurde basis biedt voor het ontwerpen van materialen voor geavanceerde elektronische, energieconversie- en katalytische toepassingen. De auteurs benadrukken dat hoewel de huidige studie zich richtte op metallische verbindingen, de methodologie een pad biedt voor toekomstig werk op halfgeleiders en isolatoren.

Meer zoals dit