Density functional perturbation theory of meta-generalized gradient approximations using algorithmic differentiation

Om te begrijpen hoe materialen zich gedragen, van het silicium in een computerchip tot het keramiek in een straalmotor, vertrouwen wetenschappers op een krachtige set regels die dichtheidsfunctionaaltheorie wordt genoemd. Dit kader stelt onderzoekers in staat om de fysieke en chemische eigenschappen van materie te voorspellen door te kijken naar hoe elektronen zich rond atoomkernen ordenen. Decennialang is een specifieke methode binnen dit kader de gouden standaard geweest voor het uitzoeken hoe materialen reageren wanneer ze worden geduwd, getrokken of verhit. Deze methode, bekend als dichtheidsfunctionaal-perturbatietheorie, berekent deze reacties met hoge precisie, waarbij alles wordt onthuld van hoe een kristal vibreert tot hoe het elektriciteit geleidt. Echter, naarmate wetenschappers op zoek gingen naar nauwkeurigere voorspellingen, liepen ze tegen een muur aan. De meest geavanceerde formules die vandaag de dag beschikbaar zijn, die een scherper beeld van de werkelijkheid bieden, zijn uiterst moeilijk te gebruiken met deze reactie-berekeningsmethode. De wiskunde die nodig is om ze te laten werken is zo ingewikkeld dat de meeste computerprogramma's ze simpelweg niet aankunnen, waardoor onderzoekers vast komen te zitten met minder nauwkeurige instrumenten of gedwongen worden om trage, onhandige berekeningen uit te voeren om de klus te klaren.

Een team van onderzoekers aan de École Polytechnique Fédérale de Lausanne heeft een manier gevonden om deze barrière te doorbreken. Zij hebben een nieuwe aanpak ontwikkeld waarmee deze geavanceerde, hoognauwkeurige formules naadloos kunnen worden gebruikt binnen het reactie-berekeningskader. Door gebruik te maken van een techniek genaamd algoritmische differentiatie, wat in essentie de computer leert om zijn eigen afgeleiden stap voor stap te berekenen, hebben zij de noodzaak om bij elke nieuwe formule handmatig complexe wiskundige expressies af te leiden, omzeild. Deze innovatie betekent dat wetenschappers nu onmiddellijk kunnen berekenen hoe materialen reageren op externe krachten met behulp van de meest geavanceerde modellen die beschikbaar zijn. De onderzoekers testten hun methode op twee belangrijke materialen, zinkoxide en bariumtitanaat, en ontdekten dat hun nieuwe aanpak resultaten produceerde die aanzienlijk dichter bij de experimentele realiteit lagen dan eerdere methoden. Bovendien toonden zij aan dat deze tool gebruikt kon worden om kunstmatige intelligentiemodellen te trainen om nog betere formules te creëren, een taak die voorheen te moeilijk was om te proberen.

De kern van deze prestatie ligt in de manier waarop de onderzoekers de "kinetische energiedichtheid" hebben behandeld, een specifiek stukje informatie over hoe snel elektronen zich binnen een materiaal bewegen. In de meest geavanceerde formules hangt de energie van het systeem niet alleen af van hoeveel elektronen er op een bepaalde plek zijn, maar ook van deze kinetische energiedichtheid. Hoewel dit extra detail de formules veel nauwkeuriger maakt, maakt het de wiskunde voor het berekenen van reacties ook ongelooflijk rommelig. Traditioneel gezien zou een onderzoeker, om deze formules te gebruiken, moeten gaan zitten en een unieke, ingewikkelde reeks vergelijkingen moeten uitschrijven voor elke nieuwe formule die hij wilde testen. Dit proces is traag, foutgevoelig en heeft het gebruik van veel van deze geavanceerde formules in standaard computersimulaties verhinderd. De nieuwe methode omzeilt dit hele probleem. In plaats van een mens te vragen de rommelige vergelijkingen op te schrijven, lieten de onderzoekers de computer het werk doen. Ze behandelden de berekening van deze reacties als een reeks kleine, beheersbare stappen die de computer automatisch kan differentiëren.

Stel je voor dat je de helling van een zeer complexe, kronkelende weg probeert te vinden. In het verleden zou je de helling voor elke bocht en draai handmatig moeten berekenen met behulp van een specifieke regel voor die exacte vorm. De nieuwe methode is als een auto die zijn eigen helling direct kan meten terwijl hij rijdt, zonder dat er vooraf een kaart van de vorm van de weg nodig is. De onderzoekers pasten dit concept toe op de wereld van elektronen. Ze bouwden een systeem waarbij de computer de verandering in de elektrondichtheid berekent als reactie op een verstoring, zoals het rekken van het materiaal of het aanleggen van een elektrisch veld, door automatisch de onderliggende code te differentiëren. Dit stelde hen in staat hun software uit te breiden om de geavanceerde formules te verwerken die afhankelijk zijn van kinetische energiedichtheid, een prestatie die grotendeels buiten het bereik lag van standaard computersimulaties.

Om te bewijzen dat hun methode werkte, paste het team deze toe op twee real-world materialen: zinkoxide, dat wordt gebruikt in elektronica en piëzo-elektrische apparaten, en bariumtitanaat, een klassiek ferro-elektrisch materiaal dat wordt gebruikt in condensatoren. Ze berekenden een breed scala aan eigenschappen, waaronder hoe stijf de materialen zijn, hoe ze elektriciteit genereren wanneer ze worden samengedrukt, en hoe ze reageren op elektrische velden. Ze vergeleken hun resultaten met zowel experimentele gegevens als berekeningen van oudere, minder nauwkeurige formules. De bevindingen waren duidelijk: de nieuwe methode, met gebruik van de geavanceerde formules, presteerde consequent beter dan de oudere benaderingen. Voor zinkoxide voorspelden de nieuwe berekeningen de omvang en stijfheid van het materiaal met een fout van minder dan één procent vergeleken met de werkelijke metingen, terwijl de oudere methoden een afwijking hadden van één tot twee procent. Op dezelfde manier bood de nieuwe aanpak voor bariumtitanaat een veel nauwkeuriger beeld van hoe de interne structuur verschuift en hoe het reageert op elektrische velden, waarbij het de resultaten van zelfs complexere en duurdere simulatietechnieken benaderde.

Buiten het simpelweg berekenen van eigenschappen, toonden de onderzoekers aan dat deze tool gebruikt kon worden om computers te leren hoe ze betere formules kunnen verzinnen. Ze gebruikten hun systeem om een klein kunstmatig neuraal netwerk te trainen om te fungeren als een nieuwe uitwisselings-correlatiefunctionaal, wat het wiskundige hart van de simulatie is. Het doel was om deze nieuwe formule de resultaten van een zeer nauwkeurige maar computationeel dure methode genaamd hybride-DFT te laten imiteren. De onderzoekers voedden het systeem met gegevens van silicium, een materiaal dat fundamenteel is voor de elektronica-industrie. Ze ontdekten dat wanneer het systeem alleen op energiegegevens werd getraind, het moeite had met het voorspellen van het gedrag van silicium onder verschillende omstandigheden. Echter, wanneer ze het systeem trainden met zowel de werkelijke elektrondichtheid als de energie, verbeterden de resultaten drastisch. Het getrainde model kon het gedrag van silicium in een hogedrukfase die het nog nooit eerder had gezien, nauwkeurig voorspellen, wat aantoont dat leren van de elektrondichtheid de resulterende formules veel betrouwbaarder en overdraagbaarder maakt naar nieuwe situaties.

Dit werk vormt een belangrijke stap voorwaarts in het vermogen om materialen met hoge precisie te simuleren. Door de handmatige flessenhals te verwijderen die het gebruik van geavanceerde formules heeft voorkomen, hebben de onderzoekers de deur geopend voor nauwkeurigere voorspellingen van materiaaleigenschappen. Dit is cruciaal voor het ontwerpen van nieuwe materialen voor energieopslag, elektronica en andere technologieën waar kleine verschillen in prestaties het verschil maken. Het vermogen om deze reacties snel en nauwkeurig te berekenen betekent dat wetenschappers nu een breder scala aan materialen kunnen verkennen en complexere modellen kunnen testen zonder gehinderd te worden door computationele beperkingen. Hoewel de huidige implementatie steunt op een specifiek type berekening dat het aantal parameters dat tegelijkertijd kan worden afgehandeld beperkt, suggereert het succes van deze aanpak dat toekomstige ontwikkelingen kunnen leiden tot nog krachtigere tools. De onderzoekers hebben hun code en gegevens publiekelijk beschikbaar gesteld, in een uitnodiging aan anderen om voort te bouenen op dit fundament en de manier waarop we de materialen van de toekomst begrijpen en ontwerpen verder te verfijnen.