🔬 materials science

Machine Learning Guided Discovery of Corundum High Entropy Oxides

Deze studie maakt gebruik van machine learning-interatomaire potentialen om bijna 500 potentiële composities van hoog-entropie oxiden te screenen, waarbij succesvol 16 veelbelovende kandidaten zijn geïdentificeerd en experimenteel drie nieuwe hoog-entropie oxiden met een corundstructuur zijn ontdekt, waarmee wordt aangetoond dat hoewel HEO's zeldzamer zijn dan aanvankelijk voorspeld, machine learning de ontdekking ervan effectief stuurt.

Oorspronkelijke auteurs: Abraham A. Mancilla, Oliver A. Dicks, Solveig S. Aamlid, Mario Ulises González-Rivas, Karl Tsang, Dongjoon Song, Jörg Rottler, Alannah M. Hallas

Gepubliceerd 2026-08-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abraham A. Mancilla, Oliver A. Dicks, Solveig S. Aamlid, Mario Ulises González-Rivas, Karl Tsang, Dongjoon Song, Jörg Rottler, Alannah M. Hallas

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

Materiaalwetenschappers zijn al lang gefascineerd door het idee van hoog-entropie oxiden, een klasse materialen waarbij meerdere verschillende metaalatomen in een enkel kristalrooster met elkaar zijn vermengd. In de wereld van metaallegeringen is het relatief gebruikelijk om tien of meer elementen te mengen in een enkele, stabiele fase, maar oxiden—verbindingen die zuurstof bevatten—zijn veel koppiger. Hun atomen geven de voorkeur aan een zeer specifieke, geordende rangschikking, en het dwingen om te mengen resulteert vaak in een chaotische bende van afzonderlijke, concurrerende kristallen in plaats van één verenigd materiaal. Jarenlang hoopten onderzoekers dat ze, door simpelweg genoeg verschillende metalen te mengen, een enorme nieuwe bibliotheek van nuttige materialen zouden kunnen creëren, maar de realiteit was veel moeilijker te voorspellen. De stabiliteit van deze mengsels hangt af van een complexe balans tussen atoomgroottes, elektrische ladingen en de energie die nodig is om ze bij elkaar te houden, wat het bijna onmogelijk maakt om te raden welke combinaties daadwerkelijk zullen werken zonder ze één voor één uit te proberen.

Om deze immense complexiteit te navigeren, heeft een team van onderzoekers zich tot machine learning gewend, waarbij computermodellen werden gebruikt die getraind zijn om te begrijpen hoe atomen interageren. Ze richtten zich op een specifieke familie van oxiden waarbij de metaalatomen een positieve lading van drie dragen, een configuratie die veel voorkomt in de natuur maar niet breed is verkend voor hoog-entropie menging. De onderzoekers begonnen met een lijst van tien verschillende metalen die van nature een voorkeur hebben voor deze drie-plus lading, waaronder veelvoorkomende elementen zoals aluminium en ijzer, evenals zeldzamere zoals rhodium en scandium. Door deze metalen in groepen van vier of vijf te combineren, creëerden ze bijna 500 mogelijke recepten. In plaats van elk recept in een laboratorium te bouwen, gebruikten ze hun computermodellen om de energiekosten van het mengen van deze atomen te berekenen en hoe gelijkmatig de atomen zich zouden verdelen. De modellen fungeerden als een filter, die door de honderden mogelijkheden sorteerden om precies 16 kandidaten te identificeren die er het meest waarschijnlijk uitzagen als een stabiel, enkelvoudig fase-materiaal.

Het team verplaatste zich vervolgens naar het laboratorium om deze voorspellingen te testen, waarbij ze twee verschillende methoden gebruikten om de materialen te "koken": een traag, traditioneel verhittingsproces en een snelle verbrandingstechniek die een chemische brandstof gebruikt om intense hitte te genereren. De resultaten waren onthullend. Van de 16 geteste kandidaten slaagden er slechts drie erin om het gewenste enkelvoudige fase-materiaal te vormen, en alle drie waren het een specifiek type kristalstructuur bekend als corund, wat dezelfde structuur is als die in robijnen en saffieren wordt gevonden. Eén van de succesvolle materialen bevatte aluminium, chroom, ijzer en gallium; een ander combineerde chroom, ijzer, gallium, rhodium en scandium; en de derde mengde aluminium, chroom, ijzer, rhodium en scandium. De ontdekking van het materiaal dat scandium bevatte, was bijzonder opmerkelijk omdat scandium normaal gesproken weigert deel uit te maken van dit type kristalstructuur, wat suggereert dat de enorme wanorde door het mengen van zoveel verschillende atomen hielp om het te stabiliseren.

De experimenten onderstreepten echter ook hoe zeldzaam deze succesvolle materialen werkelijk zijn. Voor de meerderheid van de 16 pogingen vormden de materialen geen enkel mengsel, maar splitsten ze op in twee of meer verschillende fasen, een fenomeen dat in tien van de gevallen optrad. In sommige gevallen hing de uitkomst volledig af van hoe het materiaal werd gemaakt; een mengsel dat faalde in het trage verhittingsproces slaagde soms wel met de snelle verbrandingsmethode, of andersom. De onderzoekers stuitten ook op een chemische hindernis met rhodium, een metaal dat de neiging heeft om zuurstof te verliezen en in puur metaal te veranderen wanneer het wordt verhit, een probleem dat zorgvuldige controle van de lucht en temperatuur vereiste om te overwinnen. In één onverwacht geval ontdekte het team een nieuw materiaal waarbij de atomen helemaal niet willekeurig mengden, maar zich in plaats daarvan in een hoogst geordend patroon vestigden, waardoor een unieke kristalstructuur ontstond die nog niet eerder was gezien in deze specifieke combinatie van elementen.

De studie concludeert dat hoewel het theoretische aantal mogelijke hoog-entropie oxiden enorm is, het aantal materialen dat daadwerkelijk gemaakt kan worden veel kleiner is dan aanvankelijk werd aangenomen. De onderzoekers ontdekten dat eenvoudige regels over atoomgrootte of lading niet voldoende zijn om succes te voorspellen; in plaats daarvan doet de specifieke weg die genomen wordt om het materiaal te creëren er net zo toe als de ingrediënten zelf. Door machine learning te gebruiken om hun zoektocht te leiden, was het team in staat om de weinige levensvatbare kandidaten te vinden die verborgen lagen in een zee van onwaarschijnlijke combinaties, wat effectief het vinden van een speld in een hooiberg was. Deze aanpak suggereert dat de toekomst van het ontdekken van nieuwe materialen niet ligt in gissen, maar in het gebruik van intelligente computerscreening om de weinige recepten te identificeren die een echte kans hebben om te slagen, gevolgd door zorgvuldige experimentele afstemming om ze tot leven te brengen.

Technische Samenvatting: Machine Learning-gestuurde ontdekking van Corundum High Entropy Oxides

Probleemstelling
Het vakgebied van high entropy oxides (HEO's) suggereerde aanvankelijk een enorme overvloed aan potentiële materialen op basis van combinatorische argumenten, waarbij parallellen werden getrokken met high-entropy legeringen waar meerdere metallische elementen één enkele fase vormen. De experimentele realiteit bleek echter complexer; de stabiliteit van HEO's kan niet uitsluitend worden voorspeld op basis van ionstraal, roostergeometrie of ladingbalans. De covalente en ionische binding in oxiden, samen met complexe kristalstructuren, creëren een beperkter stabiliteitsbereik vergeleken met legeringen. Bovendien is traditionele computationele screening met behulp van Density Functional Theory (DFT) vaak onbetaalbaar duur voor de grote eenheidscellen die nodig zijn om kation-disorder in HEO's te modelleren, terwijl vereenvoudigde descriptoren vaak ten koste gaan van de nauwkeurigheid. Daarom is er een gerichte aanpak nodig om de enorme compositionele ruimte van trivalent $A_2O_3$ oxiden te navigeren, een klasse van HEO's die relatief onontgonnen is vergeleken met rotszoutstructuren.

Methodologie
De auteurs hanteerden een gecombineerde computationele en experimentele workflow om nieuwe trivalent HEO's te ontdekken:

Definitie van de Compositionele Ruimte: De studie richtte zich op 10 stabiele trivalent kationen (Y, Sc, Cr, Fe, Rh, Al, Ga, In, Sb, Bi) die zijn geselecteerd op basis van hun stabiele $3+$ oxidatietoestanden en de uitsluiting van lanthaniden om triviale bixbyietfasen te vermijden. Deze selectie leverde 462 mogelijke vier- en vijfcomponenten-composities op.
Machine Learning Interatomic Potentials (MLIP's): Om deze grote ruimte efficiënt te screenen, gebruikten de auteurs het MACE-MP-0b2 medium-density foundation model. Ze relaxeerden ongeveer 1000-atoom supercellen voor elke compositie in zowel corundum ( $R\bar{3}c$ ) als bixbyiet ( $Ia\bar{3}$ ) structuren.
Berekening van Descriptoren: Uit de gerelaxeerde structuren werden twee belangrijke descriptoren geëxtraheerd:
- Mengenthalpie ( $\Delta H_{MACE}$ ): De energetische kosten voor het vormen van de HEO ten opzichte van de constituerende binaire oxiden op de enthalpie-hull. Lagere waarden duiden op een grotere waarschijnlijkheid van stabiliteit.
- Entropie Descriptor ( $\sigma_{Ei}$ ): Een maat voor de homogeniteit van de lokale kation-omgeving. Lage waarden suggereren een willekeurige vaste oplossing, terwijl hoge waarden wijzen op een neiging tot fase-scheiding of ordening.
- Thermodynamische Stabiliteitsvoorspeller ( $\rho$ ): Een gewogen optimalisatie van $\Delta H_{MACE}$ en $\sigma_{Ei}$ , gebruikt om composities te rangschikken.
Experimentele Validatie: Op basis van de computationele screening werden 16 composities (8 vier-componenten en 8 vijf-componenten) geselecteerd voor synthese. Deze werden getest met behulp van twee verschillende methoden:
- Solid-State Synthese: Het mengen van binaire oxiden, persen en sinteren bij temperaturen tot 1500°C, met specifieke protocollen voor Rh-bevattende monsters om reductie te voorkomen.
- Combustion Synthese: Het gebruik van nitraatprecursoren en organische brandstoffen (glycine of EDTA) om snelle reactiekinetiek te genereren, gevolgd door hoogtemperatuur-annealing.
Karakterisering: Producten werden geanalyseerd via powder X-ray diffractie (pXRD) met Rietveld-verfijning om fasezuiverheid, kristalstructuur en kationverdeling te bepalen. Scanning Electron Microscopy (SEM) en Energy Dispersive X-ray Spectroscopy (EDS) werden gebruikt om elementaire homogeniteit te verifiëren.

Belangrijkste Bijdragen en Resultaten

Ontdekking van Nieuwe HEO's: De studie identificeerde succesvol drie nieuwe fasezuivere HEO's in de corundum-structuur:
1. $(Al,Cr,Fe,Ga)_2O_3$ $(A l, C r, F e, G a)_{2} O_{3}$ (4c-1)
  1. $(Al,Cr,Fe,Rh,Sc)_2O_3$ (5c-4)
  2. $(Cr,Fe,Ga,Rh,Sc)_2O_3$ (5c-7)
    Met name de vijf-componentenverbindingen die Scandium en Rhodium bevatten, zijn significant omdat Sc en Ga van nature de corundum-structuur niet bevoordelen onder omgevingscondities, wat duidt op entropie-stabilisatie.
Nieuwe Geordende Fase: De compositie $(Al,Fe,Ga,Sc)_2O_3$ (4c-3) werd ontdekt als een enkelvoudige fase-materiaal met significante kation-ordening in de orthorombische $Pba2$ ruimtelijke groep, in plaats van een gedisordeerde HEO.
Afhankelijkheid van Synthesemethode: De resultaten benadrukten een diepgaande afhankelijkheid van synthesecondities. Kwalitatief equivalente uitkomsten tussen solid-state en combustion methoden werden slechts waargenomen voor 3 van de 16 geteste composities. Voor de succesvolle corundum HEO's was fasezuiverheid vaak bereikbaar door slechts één van de twee methoden.
Veelvoorkomende Foutmodi: De meerderheid van de synthesepogingen resulteerde in mengsels van concurrerende fasen, waarbij 9 van de 16 composities dit resultaat vertoonden. Veelvoorkomende valkuilen waren:
- Fasecompetitie: Vorming van complexe oxiden met kation-ordening (bijv. granaat, spinel, of orthorombische structuren) in plaats van de beoogde gedisordeerde fase.
- Redox-instabiliteit: Rhodium-bevattende composities ondergingen frequent reductie naar metallisch Rh bij hoge temperaturen, een factor die niet door de MLIP's werd gevangen.
- Beperkingen van de Ionstraal: Ondanks de MLIP-screening voorkwam de grote discrepantie in ionstralen (van Al bij 0,54 Å tot Bi bij 1,03 Å) vaak de vorming van een enkelvoudige fase.

Betekenis en Claims
Het artikel concludeert dat het voorkomen van HEO's veel zeldzamer is dan aanvankelijk werd aangenomen, wat de vroege combinatorische intuïtie van overvloed uitdaagt. De auteurs stellen dat machine learning-benaderingen, specifelijk MLIP's die in staat zijn om met disorder in grote eenheidscellen om te gaan, effectieve instrumenten zijn voor het leiden van ontdekkingen binnen een anders onhandelbaar compositioneel landschap. Door de "naald in de hooiberg" te identificeren, heeft deze workflow een ruimte van bijna 500 kandidaten succesvol teruggebracht tot een beheersbare lijst die drie nieuwe materialen en één nieuwe geordende fase opleverde. De studie benadrukt dat hoewel computationele descriptoren trends in syntiseerbaarheid kunnen voorspellen, experimentele verificatie cruciaal blijft vanwege de gevoeligheid van HEO-vorming voor syntheseroutes, oxidatietoestanden en kinetische barrières die huidige modellen niet volledig kunnen vatten. Het werk demonstreert een volledige materiaalontdekkingspijplijn van high-throughput screening tot structurele karakterisering, en valideert het nut van natuurkundig geïnformeerde computationele descriptoren voor het versnellen van de ontdekking van complexe oxiden.

Meer zoals dit