Scalable long-range machine learning interatomic potentials with electrical response for atomistic material modeling

De materiaalkunde staat al lang voor een fundamentele tweedeling. Aan de ene kant staan de wetten van de kwantummechanica, die kunnen voorspellen hoe individuele atomen zich met perfecte precisie gedragen, maar die te traag zijn om meer dan een paar duizend atomen tegelijk te simuleren. Aan de andere kant staan de massale simulaties die nodig zijn om real-world apparaten te begrijpen, zoals batterijen of computerchips, die miljoenen of miljarden atomen bevatten maar vaak vertrouwen op vereenvoudigde regels die de subtiele details van hoe atomen daadwerkelijk interageren, missen. De ontbrekende schakel is een manier om enorme collecties atomen te simuleren met de nauwkeurigheid van kwantumfysica, vooral wanneer die atomen worden onderworpen aan elektrische velden. In de echte wereld drijft elektriciteit ionen aan om te bewegen, schakelt het materialen tussen verschillende toestanden en genereert het warmte op microscopisch niveau. Om betere apparaten te ontwerpen, moeten wetenschappers deze processen over grote afstanden zien ontvouwen, maar de wiskunde die nodig is om de onzichtbare elektrische krachten tussen elk afzonderlijk atoom bij te houden, maakt dergelijke grote simulaties meestal onmogelijk.

Een team onderzoekers aan de National University of Singapore heeft deze kloof overbrugd door een nieuw computationeel raamwerk te creëren waarmee zij miljoenen atomen met hoge nauwkeurigheid kunnen simuleren, terwijl ze rekening houden met langetermijn elektrische effecten. Hun werk, onlangs gepubliceerd, introduceert een methode genaamd DPA4C-LR. Dit systeem combineert een zeer efficiënt, lokaal model dat voorspelt hoe atomen op hun directe buren duwen en trekken, met een aparte, globale berekening die de elektrische krachten op lange afstand afhandelt. Door het probleem op deze manier te splitsen, hebben de onderzoekers de computationele flessenhals vermeden die wetenschappers gewoonlijk stopt bij het simuleren van grote systemen onder elektrische velden. Zij hebben aangetoond dat hun aanpak kan draaien op slechts vier krachtige grafische processoren om een systeem met 5,2 miljoen atomen te modelleren, een schaal die voorheen onbereikbaar was voor dit niveau van detail.

De kernuitdaging die het team oploste, was hoe de elektrische respons kon worden opgenomen zonder alles te vertragen. In veel materialen hangt de manier waarop atomen reageren op een elektrisch veld af van het collectieve gedrag van het hele systeem, en niet alleen van de atomen in de nabijheid. Traditionele methoden die proberen deze globale effecten voor elke stap van een simulatie te berekenen, vereisen dat alle gegevens op één plek worden vastgehouden, wat het onmogelijk maakt om het werk te verdelen over meerdere computers. De nieuwe methode omzeilt dit door de langetermijn elektrische krachten te behandelen als een aparte stap die efficiënt kan worden opgelost met gevestigde wiskundige technieken, terwijl de complexe, lokale interacties worden afgehandeld door een machine learning-model dat gelijktijdig over vele processoren kan worden verdeeld. Dit stelt de simulatie in staat om op te schalen naar miljoenen atomen zonder het vermogen te verliezen om te voorspellen hoe het materiaal zal reageren op een elektrische stroom of veld.

Om te bewijzen dat hun systeem werkt, testten de onderzoekers het op drie zeer verschillende materialen, waarbij elk een groot aantal atomen vereiste om de waarheid te onthullen. Eerst keken ze naar vloeibaar water. Watermoleculen zijn polair, wat betekent dat ze een positief uiteinde en een negatief uiteinde hebben, en ze heroriënteren zichzelf constant in reactie op elektrische velden. Het team simuleerde een enorme blok water en paste elektrische velden van variërende sterkte toe. Hun model voorspelde succesvol hoe het infraroodspectrum van het water — de unieke vingerafdruk van hoe het licht absorbeert — verschoof naarmate het veld veranderde. Dit bevestigde dat het systeem accuraat kon afleiden hoe de atomen zouden bewegen en reageren op elektriciteit, zelfs hoewel het alleen getraind was op basis van energie- en krachtgegevens, zonder ooit expliciet over elektrische velden te zijn onderwezen.

Vervolgens pakte het team een complex keramisch materiaal aan dat bekend staat als een relaxor-ferroëlektricum, specif kinderlijk loodmagnesiumniobaat. Deze materialen staan bekend om hun vermogen om polarisatie te schakelen, een eigenschap die wordt gebruikt in sensoren en actuatoren, maar hun gedrag is berucht moeilijk te simuleren omdat het afhangt van minuscule, gedisorderde regio's van atomen die pas in zeer grote monsters verschijnen. Wanneer de onderzoekers kleine stukken van dit materiaal simuleerden, zagen de resultaten eruit als een standaard, geordend kristal. Echter, toen zij de simulatie opschaalden naar een simulatie met bijna 30.000 atomen, veranderde het beeld volledig. De grotere simulatie onthulde een "slanke" hysteresisloop, een specifieke signatuur van het vermogen van het materiaal om van toestand te wisselen zonder vast te lopen, wat het kenmerkende aspect van een relaxor is. Dit resultaat toonde aan dat de beperkte omvang van eerdere simulaties de ware aard van het materiaal had verborgen, en dat alleen door de schaal van miljoenen atomen te bereiken, het correcte gedrag geobserveerd kon worden.

Ten slotte pasten de onderzoekers hun methode toe op een vaste-stof elektrolyt, een glasachtig materiaal dat wordt gebruikt in volgende generatie batterijen, specifiek lithiumniobiumoxychloride. In deze materialen moeten ionen vrij door een gedisorderde structuur kunnen bewegen om elektriciteit te geleiden. Het team simuleerde een grote glas-sample en paste een constant elektrisch veld toe om te kijken hoe de lithiumionen zouden driften. Door de beweging van deze ionen in de tijd te volgen, berekenden zij de elektrische geleidbaarheid van het materiaal. Het resultaat was een precieze waarde van 6,8 ± 0,7 millisiemens per centimeter bij kamertemperatuur. Deze meting was veel betrouwbaarder dan eerdere schattingen afgeleid van simulaties zonder toegepast veld, die vertrouwen op kleine, willekeurige thermische fluctuaties die moeilijk nauwkeurig te meten zijn. De nieuwe methode bood een duidelijk, direct beeld van hoe het materiaal elektriciteit geleidt, wat een betrouwbare benchmark biedt voor het ontwerpen van betere batterijcomponenten.

De implicaties van dit werk reiken verder dan deze specifieke voorbeelden. Door te bewijzen dat langetermijn elektrische effecten efficiënt berekend kunnen worden over miljoenen atomen, hebben de onderzoekers de deur geopend naar het simuleren van volledige apparaatlagen in plaats van slechts kleine fragmenten daarvan. Dit betekent dat wetenschappers nu de stroom van warmte en elektriciteit over interfaces in echte apparaten kunnen modelleren, zoals de grens tussen een siliciumchip en een diamant warmteafvoer, met een detailniveau dat voorheen onmogelijk was. Het raamwerk is niet alleen een theoretische vooruitgang; het is een praktisch hulpmiddel dat draait op bestaande hardware en kan worden gebruikt om het gedrag van materialen te verkennen onder exact de omstandigheden waaraan ze in de echte wereld worden blootgesteld. Naarmate de vraag naar snellere, efficiëntere elektronische en energieapparaten groeit, biedt het vermogen om deze systemen op de schaal van miljoenen atomen te simuleren een cruciaal fundament voor innovatie, waardoor onderzoekers de prestaties van materialen kunnen voorspellen en optimaliseren voordat er ook maar één fysiek prototype is gebouwd.