🔬 materials science

Development of a Physics-Informed Neural Framework, MEOWN, for Rapid Prediction of Muon Stopping Sites in Crystalline Materials, for understanding Quantum Magnet employing Muon Spectroscopy

Het artikel introduceert MEOWN, een physics-informed machine learning-framework dat snel en nauwkeurig de stopplaatsen van muonen in kristallijne materialen voorspelt door elektrostatische modellering te combineren met symmetrie-gestuurde optimalisatie, wat een computationeel efficiënt alternatief biedt voor traditionele density functional theory-methoden voor het bestuderen van kwantummagnetisme.

Oorspronkelijke auteurs: A. Pandey, K. Sharma, S. Ghosh, G. Roy, T. Basu

Gepubliceerd 2026-09-16

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: A. Pandey, K. Sharma, S. Ghosh, G. Roy, T. Basu

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

Om de magnetische geheimen te begrijpen die verborgen liggen in nieuwe kwantummaterialen, gebruiken wetenschappers vaak een minuscuul, vluchtig deeltje genaamd een muon. Stel je voor dat je een stroom van deze positief geladen deeltjes in een vaste kristal vuurt. Ze vertragen bijna onmiddellijk en komen tot rust op een specifieke, lege plek tussen de atomen van het kristalrooster. Eenmaal gevestigd, fungeert de muon als een microscopisch kompasnaaldje dat draait als reactie op het lokale magnetische veld dat wordt gegenereerd door de omliggende atomen. Door te observeren hoe deze spin in de loop van de tijd verandert, kunnen onderzoekers magnetische orde, supergeleidendheid en andere complexe gedragingen in kaart brengen die onzichtbaar zijn voor andere instrumenten. Om deze kaart echter correct te kunnen lezen, moeten wetenschappers precies weten waar de muon is gestopt. Als ze de verkeerde plek raden, wordt hun interpretatie van de magnetische data dubbelzinnig, wat potentieel kan leiden tot een misverstand over de ware aard van het materiaal.

Decennialang was de standaardmethode om deze rustplaatsen te vinden het gebruik van krachtige computersimulaties gebaseerd op de wetten van de kwantummechanica. Deze berekeningen zijn ongelooflijk nauwkeurig, maar ook pijnlijk traag en duur, en vereisen vaak dagen aan rekentijd voor één enkel materiaal. Deze flessenhals heeft het moeilijk gemaakt om snel nieuwe materialen te screenen of gegevens in realtime te analyseren. Een team onderzoekers uit India heeft nu een nieuwe aanpak ontwikkeld die deze traagheid omzeilt zonder in te boeten op nauwkeurigheid. Ze hebben een hulpmiddel ontwikkeld genaamd MEOWN, dat de bekende natuurkundige wetten combineert met een vorm van kunstmatige intelligentie om te voorspellen waar een muon tot rust komt in een kristal in slechts een paar minuten.

De onderzoekers bouwden MEOWNS om de krachten te begrijpen die een muon naar zijn rustplaats leiden. Ze wisten dat de muon wordt aangetrokken door negatieve ladingen in het kristal, wordt afgestoten door elektronenwolken en wordt beïnvloed door de manier waarop de atomen van het kristal licht verschuiven om hem te accommoderen. In plaats van te proberen elke interactie vanaf nul te berekenen, wat de trage traditionele methoden doen, gebruikt MEOWN een "physics-informed" strategie. Dit betekent dat de software niet alleen patronen raadt op basis van patronen; het is onderwezen in de fundamentele regels van hoe elektriciteit en atomen met elkaar interageren. Het systeem neemt een digitaal model van een kristal, vult dit met deze natuurkundige regels, en gebruikt vervolgens een lichtgewicht neuraal netwerk — een eenvoudige vorm van kunstmatige intelligentie — om de hele structuur te scannen. Het netwerk fungeert als een hogesnelheidsdetector die de meest waarschijnlijke regio's markeert waar de muon zou gaan rusten, gebaseerd op het energielandschap dat door de fysieke krachten wordt gecreëerd.

Om te testen of deze snelle methode werkte, paste het team het toe op een verscheidenheid aan bekende materialen, waaronder een metallisch magneet zoals MnSi en verschillende ionische kristallen zoals calciumfluoride en lithiumfluoride. In elk geval identificeerde de software de juiste rustplaatsen en berekende zij de magnetische velden op die locaties. Bijvoorbeeld, in het materiaal kobaltfluoride voorspelde het programma een magnetische veldsterkte van 0,277 Tesla, wat extreem dicht bij de 0,265 Tesla ligt die werd gevonden door de trage, traditionele computermethoden en goed overeenkomt met werkelijke experimentele metingen. De software bereikte dit niveau van precisie in minder dan een paar minuten op een standaard desktopcomputer, een taak die met conventionele technieken doorgaans veel langer zou duren.

De resultaten laten zien dat MEOWN als een snelle, betrouwbare eerste stap kan dienen voor wetenschappers die kwantummaterialen bestuderen. Het vervangt niet de diepgaande, gedetailleerde berekeningen die nodig zijn voor definitieve bevestiging, maar het stelt onderzoekers in staat om snel de mogelijkheden in te perken en hun inspanningen te richten op de meest veelbelovende kandidaten. Door de wetten van de natuurkunde direct in het leerproces in te bedden, heeft het team een hulpmiddel gecreëerd dat zowel snel als wetenschappelijk rigoureus is. Deze aanpak opent de deur naar het analyseren van een veel breder scala aan materialen en zou de ontdekking van nieuwe kwantumverschijnselen kunnen versnellen, waardoor een proces dat ooit dagen duurde, wordt omgezet in een proces dat minuten duurt.

Technische Samenvatting: MEOWN-framework voor de voorspelling van muon-stopplaatsen

Probleemstelling
Muon-spinrotatie/relaxatie ( $\mu$ SR) is een cruciale microscopische probe voor het onderzoeken van magnetische orde, spin-dynamica en supergeleidendheid in kwantummaterialen. De kwantitatieve interpretatie van $\mu$ SR-data is echter fundamenteel afhankelijk van het identificeren van de evenwichtstoestand van de muon-stopplaats binnen een kristalrooster. Traditioneel wordt deze identificatie uitgevoerd met behulp van structurele relaxatie op basis van Density Functional Theory (DFT). Hoewel accuraat, zijn conventionele DFT-benaderingen computationeel veeleisend, tijdrovend en vereisen ze aanzienlijke expertise, vooral voor grote supercellen, kristallen met lage symmetrie of sterk gecorreleerde systemen. Bestaande softwaretools (bijv. MuESR, muFinder) erven vaak deze hoge computationele kosten, wat hun bruikbaarheid voor snelle data-analyse en hoogdoorvoer-screening van materialen beperkt.

Methodologie: Het MEOWN-framework
De auteurs introduceren MEOWN (Muon Engine for Optimized Weighted Networks), een physics-informed machine learning-framework dat is ontworpen om energetisch gunstige muon-stopplaatsen te voorspellen met aanzienlijk lagere computationele kosten. Het framework integreert first-principles fysica met een lichtgewicht deep learning-architectuur via de volgende componenten:

Physics-Informed Input Representatie:
In plaats van uitsluitend te vertrouwen op geometrische beschrijvers, construeert MEOWN een 3D-voxelgrid (48 $\times$ 48 $\times$ 48) met vier physics-gebaseerde inputkanalen afgeleid van een Polarizable Unperturbed Electrostatic Potential (P-UEP) model:
- Negatieve totale interactie-energie ( $-V_{Total}$ ).
- Coulomb-potentiaal van ionische kernen ( $1/q_i r_i$ ).
- Polarisatiepotentiaal ( $V_{Pol}$ ).
- Minimum-afstand veld ( $d_{min}$ ).
  Het P-UEP-model incorporeert expliciet Hartree/exchange-correlatie potentialen, Thomas-Fermi elektronische screening, Tang-Toennies polarisatie-demping, Born-Mayer overlap-repulsie en kwantum nulpuntsenergie (ZPE) correcties.
Neuraal Netwerk Architectuur:
Een lichtgewicht 3D Convolutional Neural Network (3D-CNN) met minder dan 5.000 trainbare parameters verwerkt de input-tensor. Het netwerk bestaat uit vier opeenvolgende convolutionele lagen (kanaalprogressie: 4 $\to$ 16 $\to$ 32 $\to$ 16 $\to$ 1) met batch normalisatie en ReLU-activatie. De CNN geeft een 3D-waarschijnlijkheidskaart uit die regio's aangeeft die waarschijnlijk stabiele muon-sites zullen herbergen.
Hybride Seeding en Optimalisatie:
Kandidaat-sites worden gegenereerd via een meerfasige strategie die de volgende combineert:
- CNN Waarschijnlijkheidsmaxima: Gebieden met een hoge waarschijnlijkheid uit het netwerk.
- Physics-Guided Seeds: Hoge-symmetrie interstitiële posities (body-center, face-center, etc.) en chemisch geïnformeerde seeds (bijv. nabij electronegatieve anionen, specifieke bruggen zoals F–F in fluoriden).
  Deze kandidaten worden gefilterd door kristallografische symmetrie en minimum-afstandscriteria, en vervolgens verfijnd met behulp van L-BFGS-B optimalisatie op het P-UEP potentiaal-oppervlak.
Symmetriebeperkingen:
Het framework maakt expliciet gebruik van kristallografische symmetrie (via de spglib bibliotheek) om de zoekruimte te verkleinen. Energiegradiënten en Hessiaanse matrices worden geprojecteerd op de symmetrie-toegestane subruimte om te waarborgen dat de gerelaxeerde sites consistent blijven met de gastrooster-ruimtegroep.
Training en Implementatie:
Het model wordt getraind met een zelfgesuperviseerde aanpak waarbij de doel-potentiaal direct wordt gegenereerd door de P-UEP physics-engine, waardoor de noodzaak voor handmatig gelabelde datasets vervalt. De verliesfunctie minimaliseert de Mean Squared Error (MSE) tussen de door de CNN voorspelde potentiaal en de physics-engine potentiaal. De software is geïmplementeerd in Python met behulp van PyTorch voor het neurale netwerk en NumPy/SciPy voor de physics-engine, met ondersteuning voor zowel CPU als GPU executie.

Belangrijkste Bijdragen

Ontwikkeling van MEOWN: Een algemeen bruikbaar softwareframework dat een P-UEP fysica-model combineert met een 3D-CNN om muon-stopplaatsen te voorspellen.
Physics-Informed Learning: Expliciete inbedding van elektrostatische, screening, polarisatie en kwantummechanische interacties in de leerworkflow, wat zorgt voor fysieke interpreteerbaarheid en consistentie zonder te vertrouken op black-box data-fitting.
Computationele Efficiëntie: Het framework bereikt een aanzienlijke versnelling ten opzichte van conventionele DFT-methoden, waarbij de gehele voorspellingsworkflow (van CIF-input tot gerangschikte sites) in enkele minuten wordt voltooid op een standaard desktopcomputer.
Geautomatiseerde Workflow: Een volledig geautomatiseerde pijplijn die enkel een Crystallographic Information File (CIF) als input vereist, zonder dat er door de gebruiker gedefinieerde initiële posities nodig zijn.

Resultaten en Validatie
Het framework werd gevalideerd tegen een diverse set benchmark-materialen, inclusief de metallische helimagnet MnSi en ionische fluoriden CoF $_2$ , CaF $_2$ , LiF en NaF.

Nauwkeurigheid: Voorspelde stopplaatsen, Wyckoff-posities en lokale dipolaire velden vertoonden een nauwe overeenstemming met eerder gerapporteerde experimentele data en DFT+ $\mu$ $μ$ resultaten.
- Voor CoF $_2$ voorspelde MEOWN een lokaal dipolair veld van 0,277 T, vergeleken met een DFT+ $\mu$ waarde van 0,265 T (3,5% afwijking) en een experimentele waarde van 0,228 T.
- Voor MnSi kwam de voorspelde site bij fractionele coördinaten (0,55, 0,55, 0,55) met een veld van 0,123 T overeen met gevestigde experimentele en theoretische bevindingen.
Transfereerbaarheid: Het model generaliseerde succesvol over chemisch verschillende systemen (metallisch versus ionisch) zonder materiaal-specifieke fittingparameters.
Snelheid: Het gehele proces voor benchmark-materialen werd voltooid in minder dan enkele minuten, in contrast met de uren of dagen die doorgaans nodig zijn voor herhaalde DFT structurele relaxaties.

Betekenis en Claims
Het artikel positioneert MEOWN niet als een vervanging voor volledig zelf-consistente first-principles berekeningen, maar als een computationeel efficiënt intermediair framework. De primaire betekenis ligt in:

Snelle Screening: Het mogelijk maken van de snelle identificatie van fysiek plausibele muon-sites voorafgaand aan dure DFT-berekeningen, wat hoogdoorvoer-screening van materialen faciliteert.
Toegankelijkheid: Het bieden van een gebruiksvriendelijke tool die minimale expertise in DFT-analyse vereist, waardoor de interpretatie van $\mu$ SR-data toegankelijker wordt.
Fysische Rigor: Het aantonen dat het inbedden van gevestigde fysische principes in machine learning kan leiden tot interpreteerbare, robuuste en nauwkeurige voorspellingen terwijl de wetenschappelijke rigor behouden blijft.

De auteurs concluderen dat MEOWN een praktisch evenwicht biedt tussen computationele snelheid en fysieke nauwkeurigheid, en dient als een waardevolle tool voor de $\mu$ SR-gemeenschap bij het bestuderen van magnetische, supergeleidende en complexe kwantummaterialen.

Meer zoals dit