📄 chemistry

Integrated classical/quantum-classical neural networks, DFT, and experiments for predicting bandgap and color of CrxSbxTi1−2xO2 yellow-orange pigments

Deze studie presenteert een geïntegreerd kader dat experimentele synthese, dichtheidsfunctionaaltheorie-berekeningen en klassieke/hybride kwantum-klassieke neurale netwerken combineert om de bandgap en kleur van Cr/Sb co-gedoteerde TiO₂ keramische pigmenten nauwkeurig te voorspellen, wat het potentieel van kwantummachine learning voor materiaalontwerp aantoont.

Oorspronkelijke auteurs: Seyed Yousof Vaselnia, Mohsen Khajeh Aminian, Reza Dehghan banadaki

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Seyed Yousof Vaselnia, Mohsen Khajeh Aminian, Reza Dehghan banadaki

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 voor dat je een chef bent die probeert het perfecte geel-oranje keramische pigment te bakken. Je wilt precies weten hoeveel energie er nodig is om de kleur te laten "poppen" (de bandgap) en hoe de uiteindelijke tint eruit zal zien, maar het bakken via trial-and-error is traag en rommelig. Dit artikel is als een team van wetenschappers dat een super-slimke keukenhulp bouwt die drie verschillende tools combineert: een echte oven (experimenten), een microscopisch receptenboek (DFT-berekeningen) en een futuristische kristallen bol (neurale netwerken).

De Test in de Echte Wereld
Eerst hebben ze daadwerkelijk een specifiek pigment gebakken genaamd $Cr_{0.0625}Sb_{0.0625}Ti_{0.875}O_2$ . Toen ze er met een microscoop naar keken, zagen ze dat het geen perfecte bol was; het leek op kleine, onregelmatige klontjes bloemkool, ongeveer 83 nanometer groot. Wanneer ze licht erop schijnen, absorbeert het blauw en groen licht, wat een levendige geel-oranje gloed geeft. Ze maten de "energiekloof" (de energie die nodig is om de kleureigenschappen te veranderen) en deze was ongeveer 2,2 eV.

Het Microscopische Receptenboek (DFT)
Vervolgens gebruikten ze een computer-simulatie genaamd Density Functional Theory (DFT) om het atomaire recept te lezen. Echter, het standaard receptenboek had een foutje: het voorspelde dat de energiekloof slechts 1,4 eV was, wat te laag was. Het was alsoos het recept zegt dat de taart 1 kop suiker nodig heeft terwijl hij eigenlijk 2 nodig heeft. Om dit te reparen, voegden ze een speciale "correctie-specerij" toe genaamd de Hubbard U. Met deze specerij sprong de simulatie omhoog naar 1,9 eV, wat veel dichter bij de resultaten uit de echte oven kwam. Ze ontdekten ook dat wanneer ze Chroom (Cr) en Antimoon (Sb) aan het mengsel toevoegden, het standaard receptie ervoor zorgde dat het materiaal zich als een metaal gedroeg (nul energiekloof), maar met de correctie-specerij gedroeg het zich weer als een echte halfgeleider met een kloof van 1,3 eV.

De Kristallen Bol (Neurale Netwerken)
Hier wordt het artikel echt interessant. Het team bouwde twee soorten "kristallen bollen" om deze eigenschappen te voorspellen zonder telkens opnieuw te hoeven bakken:

De Klassieke Bol: Een standaard computerbrein getraind op data van duizenden andere materialen.
De Hybride Quantum-Klassieke Bol: Een mix van een standaard computer en een gesimuleerde quantumcomputer (een type computer die de vreemde regels van de quantumfysica gebruikt om problemen op te lossen).

Ze trainden deze bollen op een dataset van 1.527 verschillende materialen om de energiekloof te voorspellen, en op 195 verschillende pigmenten om de kleur te voorspellen.

Wat de Kristallen Bollen Vonden
De resultaten waren een beetje als een race. Beide typen kristallen bollen waren best goed in het raden van de energiekloof en de kleur, maar de Hybride Quantum-Klassieke modellen waren iets beter in het matchen met de experimenten uit de echte wereld.

Voor de Energiekloof: Wanneer de modellen over alle gedetailleerde atomaire informatie beschikten (zoals de exacte hoogte van de energiestappen), waren ze ongelooflijk nauwkeurig. Eén hybride model raadde de energiekloof van puur Rutiel $TiO_2$ met een fout van slechts 0,001 eV! Zelfs toen ze de gedetailleerde stapinformatie verwijderden en alleen een algemeen "balans"-getal gaven, raadden de modellen de trend nog steeds correct, al was er iets meer ruimte voor afwijkingen.
Voor de Kleur: De modellen waren beter in het voorspellen van de "y"-coördinaat van de kleur (hoe geel het is) dan de "x"-coördinaat. De hybride modellen kwamen consequent dichter bij de werkelijke geel-oranje tint van het nieuwe pigment dan de standaard computermodellen.

Wat Ze Niet Vonden (en Wat Ze Uitsloten)
Het artikel is voorzichtig in de opmerking dat, hoewel de hybride modellen iets beter waren, ze de standaardmodellen niet in elk enkel geval volledig hebben weggevaagd. Soms was het standaardmodel net zo goed. Ook merkt het artikel expliciet op dat ze niet hebben gevonden hoe ze de kleur voor elk pigmentmengsel perfect kunnen voorspellen; de nauwkeurigheid varieerde afhankelijk van hoeveel Chroom er in de mix zat. Bijvoorbeeld, voor het monster met de hoogste hoeveelheid Chroom was het hybride model HQCNN-HEA de beste, maar voor andere hoeveelheden nam een ander hybride model, HQCNN-SE, de leiding.

Hoe Zeker Zijn Ze?
De auteurs zijn vertrouwd met hun metingen van het echte pigment—ze hebben het fysiek gemaakt en gemeten. Ze zijn ook vertrouwd met hun computer-simulaties, die ze met specifieke instellingen hebben uitgevoerd om ervoor te zorgen dat ze accuraat zijn. Echter, het "quantum"-gedeelte van hun werk was een simulatie van een quantumcomputer die draaide op een gewone computer. Ze hebben dit nog niet op een echte, fysieke quantummachine gedraaid. Ze suggereren dat deze hybride aanpak een veelbelovende weg vooruit is, maar ze beweren niet dat het een opgelost probleem is voor alle materialen. Ze wijzen ook op een beperking: ze moesten vertrouwen op een relatief kleine dataset voor de kleurvoorspellingen omdat er niet veel gepubliceerde verslagen zijn die de exacte chemische mix, de baktemperatuur en de uiteindelijke kleur samen vermelden.

Kortom, het team heeft laten zien dat het mengen van echte experimenten, geavanceerde natuurkundige simulaties en een vleugje quantum-geïnspireerde computing een krachtige toolkit creëert om te voorspellen hoe keramische pigmenten zullen ogen en zich zullen gedragen, waarbij de quantum-geïnspireerde tools een lichte voorsprong bieden in nauwkeurigheid.

Technische Samenvatting: Geïntegreerde Klassieke/Kwantum-Klassieke Neurale Netwerken, DFT en Experimenten voor het Voorspellen van Bandgap en Kleur van $Cr_xSb_xTi_{1-2x}O_2$ Pigmenten

Probleemstelling
De nauwkeurige voorspelling van de bandgap ( $E_g$ ) en de kleur van keramische pigmenten is een kritieke uitdaging in de materiaalkunde. Hoewel Density Functional Theory (DFT) een standaardinstrument is, heeft het vaak moeite met de computationele eisen en de nauwkeurigheid bij het beschrijven van de elektronische structuren van complexe systemen, met name wat betreft de onderschatting van bandgaps in standaard DFT-berekeningen. Bovendien heeft, hoewel machine learning (ML) de ontdekking van materialen heeft versneld, de toepassing van hybride kwantum-klassieke neurale netwerken op de directe numerieke voorspelling van $E_g$ en chromaticiteit in kristallijne pigmenten grotendeels onontgonnen gelaten. Deze studie adresseert de kloof in het voorspellen van deze eigenschappen voor het geel-oranje rutiel-gebaseerde pigmentsysteem $Cr_xSb_xTi_{1-2x}O_2$ , een materiaal van praktisch belang dat een gebrek heeft aan uitgebreide theoretische analyse in zijn rutielfase.

Methodologie
Het onderzoek maakt gebruik van een drieledig kader dat experimentele synthese, first-principles berekeningen en machine learning integreert:

Experimenteel Werk: De specifieke samenstelling $Cr_{0.0625}Sb_{0.0625}Ti_{0.875}O_2$ werd gesynthetiseerd via een conventionele keramische route (vastestofreactie bij 1000 °C). Het materiaal werd gekarakteriseerd met behulp van Scanning Electron Microscopy (SEM), X-ray Diffraction (XRD) en UV-Vis spectroscopie om morfologie, fasezuiverheid en de optische bandgap via Tauc-plots te bepalen.
First-Principles Berekeningen (DFT/DFT+U): Elektronische structuren van ongedoteerd en Cr/Sb co-gedoteerd rutiel $TiO_2$ werden geanalyseerd met Quantum ESPRESSO. De berekeningen omvatten standaard DFT en DFT+U (waarbij Hubbard $U$ -correcties voor Ti-3d en Cr-3d orbitalen zijn opgenomen) om de elektronische correlatie te corrigeren. Ladingsdichtheids- en Electron Localization Function (ELF) analyses werden uitgevoerd om het bindingskarakter te begrijpen.
Machine Learning Modellen:
- Datasets: Twee datasets werden geconstrueerd: (i) 1.527 tetragonale materialen uit de Materials Project database voor $E_g$ voorspelling (1–2 eV bereik), en (ii) 195 rutiel-gebaseerde keramische pigmenten uit de literatuur en huidige experimenten voor kleurvoorspelling (CIE $x, y$ coördinaten).
- Architecturen: Vier modellen werden ontwikkeld en vergeleken:
  - C-NN: Een volledig klassiek neuraal netwerk dat dient als een kwantum-equivalent baseline.
  - HQCNN-SE: Hybride Kwantum-Klassiek Neuraal Netwerk met een Strongly Entangling ansatz.
  - HQCNN-HEA: Hybride model met een Enhanced Hardware-Efficient Ansatz.
  - HQCNN-QI: Hybride model met een QAOA-geïnspireerde ansatz.
- Scenario's: Voor $E_g$ voorspelling werden twee scenario's getest: Scenario 1 maakte gebruik van expliciete band-edge features (CBM, VBM, Fermi-niveau), terwijl Scenario 2 deze verwijderde ten gunste van een elektronische asymmetrie feature ($asym$) om robuustheid te testen.
- Training: Modellen werden geïmplementeerd met PyTorch en PennyLane, getraind op genormaliseerde data met AdamW optimizers, en geëvalueerd met behulp van Mean Absolute Error (MAE), Mean Squared Error (MSE) en $R^2$ . SHAP (SHapley Additive exPlanations) analyse werd gebruikt voor interpreteerbaarheid.

Belangrijkste Resultaten

Experimentele Bevindingen: Het gesynthetiseerde pigment vertoonde micron-grote agglomeraten met een geel-oranje kleur ( $L^*=58.14, a^*=13.35, b^*=46.77$ ). XRD bevestigde een dominante rutielfase met minderheid van anatase. De experimentele directe optische bandgap werd bepaald op ongeveer 2.2 eV.
DFT en DFT+U Inzichten: Standaard DFT onderschatte de $E_g$ van rutiel $TiO_2$ (1.4 eV) en voorspelde een quasi-metallische staat (nul $E_g$ ) voor het gedoteerde systeem. De inclusie van de Hubbard $U$ correctie verbeterde de nauwkeurigheid, wat resulteerde in 1.9 eV voor ongedoteerd en 1.3 eV voor het gedoteerde systeem, waardoor het halfgeleidende karakter werd hersteld. PDOS-analyse onthulde dat de vergroting van $E_g$ in het gedoteerde systeem voortkomt uit de opwaartse verschuiving van de Ti-3d afgeleide conductiebanden.
Bandgap Voorspelling ( $E_g$ ):
- Scenario 1 (Volledige Features): Alle modellen bereikten een hoge nauwkeurigheid ( $R^2 \geq 0.98$ voor de meeste). Het HQCNN-HEA model leverde de meest nauwkeurige schatting voor rutiel $TiO_2$ (fout van 0.001 eV). SHAP-analyse bevestigde dat CBM en VBM de dominante features waren, consistent met de fysieke definitie van $E_g$ .
- Scenario 2 (Gereduceerde Features): De nauwkeurigheid nam licht af, maar de modellen behielden fysieke consistentie. De $asym$ feature werd de primaire drijfveer, wat de expliciete band-edge data effectief verving.
Kleurvoorspelling:
- Modellen voorspelden de $y$ chromaticiteit coördinaat nauwkeuriger dan $x$ . Het HQCNN-SE model behaalde de hoogste $R^2$ voor $y$ (0.8731), terwijl C-NN het best presteerde voor $x$ (0.7799).
- SHAP-analyse onthulde een sterke statistische koppeling tussen de $x$ en $y$ coördinaten, waarbij de complementaire coördinaat de meest invloedrijke feature was.
- Voor de specifieke $Cr_xSb_xTi_{1-2x}O_2$ composities die getest zijn, boden hybride kwantum-klassieke modellen over het algemeen voorspellingen die dichter bij de experimentele waarden lagen dan de klassieke baseline, waarbij HQCNN-SE en HQCNN-HEA de meest betrouwbare overeenstemming vertoonden over verschillende dopant-niveaus.

Betekenis en Claims
De auteurs claimen dat dit werk een effectief kader biedt dat experiment, first-principles berekeningen en neurale netwerken verbindt voor het voorspellen van cruciale eigenschappen van keramische pigmenten. De primaire nieuwheid ligt in de toepassing van klassieke en hybride kwantum-klassieke neurale netwerken op de directe voorspelling van pigmentkleur en bandgap-waarden.

De studie stelt dat hybride architecturen een licht verbeterde voorspellende prestatie en een meer consistente overeenstemming met experimenten bieden vergeleken met klassieke modellen, met name bij het vastleggen van de trends in $E_g$ en chromaticiteit. Het werk benadrukt het potentieel van hybride kwantum-klassieke modellen om compacte en fysiek consistente representaties van voorspellingsmechanismen te bieden, zoals aangetoond door SHAP-analyse. Hoewel beperkingen worden erkend met betrekking tot de beschikbaarheid van gedoteerde structurele data en uitgebreide experimentele databases, positioneert het artikel deze geïntegreerde aanpak als een levensvatbare strategie voor materiaalkundig ontwerp, wijzend naar het toekomstige nut van volledig kwantum machine learning modellen naarmate de hardwarecapaciteiten toenemen.

Meer zoals dit