Parameterizing empirical interatomic potentials for predicting thermophysical properties via an irreducible derivative approach: the case of ThO$_2$ and UO$_2$

Resumo Técnico: Parametrização de Potenciais Interatômicos Empíricos via uma Abordagem de Derivadas Irredutíveis para ThO₂ e UO₂

Definição do Problema
A precisão das simulações de dinâmica molecular (MD) clássica para prever propriedades termofísicas é fundamentalmente limitada pela qualidade dos potenciais interatômicos empíricos (EIPs) empregados. Os EIPs tradicionais são frequentemente parametrizados através do ajuste a dados experimentais, tais como parâmetros de rede, constantes elásticas e expansão térmica. No entanto, os dados experimentais são frequentemente limitados em quantidade e qualidade, particularmente para estruturas de defeitos complexas, e muitas vezes não probe diretamente os detalhes do potencial de Born-Oppenheimer. Consequentemente, estratégias de parametrização tradicionais resultam em potenciais que são inadequados para prever com precisão dispersões de fônons e interações de fônons de ordem superior, que são críticas para a compreensão do transporte térmico e formação de defeitos em materiais de combustível nuclear como o dióxido de tório (ThO₂) e o dióxido de urânio (UO₂). Embora os potenciais interatômicos baseados em aprendizado de máquina (MLIPs) ofereçam maior precisão, seu custo computacional e a falta de interpretabilidade física permanecem como barreiras. Há uma necessidade de uma metodologia de treinamento robusta que aproveite dados de primeiros princípios para capturar propriedades relacionadas a fônons sem o overhead computacional de um MLIP.

Metodologia
Os autores introduzem uma abordagem de treinamento para EIPs baseada na comparação direta de derivadas irredutíveis (IDs) entre o EIP alvo e o potencial de Born-Oppenheimer derivado da Teoria do Funcional da Densidade (DFT).

• Dados de Treinamento: Em vez de depender exclusivamente de energias e forças, o conjunto de dados inclui IDs de deslocamento de segunda e terceira ordem e IDs de deformação (strain) de segunda ordem. Essas derivadas exploram plenamente a simetria do grupo de espaço, permitindo o treinamento sem informações redundantes. O conjunto de treinamento compreende:
  • IDs de deslocamento de segunda ordem dentro de uma supercela $2 \times 2 \times 2$.
  • IDs de deslocamento de terceira ordem dentro de uma supercela cúbica convencional.
  • IDs de deformação de segunda ordem.
  • Parâmetros de rede a 0 K, cargas efetivas de Born normalizadas e energias de formação de pares de Frenkel (FP).
• Forma do Potencial: O estudo parametriza um EIP para ThO₂ e UO₂ baseado no potencial CRG existente (que utiliza termos de Buckingham, Morse e EAM), mas o aprimora ao incorporar um modelo core-shell (núcleo-casca). Neste modelo, cada íon se divide em um núcleo massivo e uma casca sem massa conectadas por uma mola harmônica, uma característica essencial para capturar modos de fônons ópticos específicos.
• Otimização: Um processo de otimização em duas etapas é empregado. A Etapa 1 utiliza otimização local (Nelder-Mead) para refinar parâmetros e pesos, adicionando progressivamente dados de treinamento, desde propriedades básicas até derivadas complexas. A Etapa 2 utiliza otimização global (algoritmo de enxame de partículas) para finalizar o conjunto de parâmetros.
• Validação: Os potenciais resultantes (denotados como PW) são validados contra cálculos DFT e dados experimentais para dispersão de fônons, constantes elásticas, condutividade térmica (calculada via Equação de Transporte de Boltzmann na aproximação do tempo de relaxação), expansão térmica e energias de formação de defeitos.

Principais Contribuições e Resultados

• Melhoria na Dispersão de Fônons: Os potenciais PW superam significativamente o potencial CRG amplamente utilizado. Enquanto o potencial CRG superestima os ramos de fônons ópticos e falha em capturar o gap de frequência entre os ramos ópticos mais altos, o PW reproduz com sucesso a dispersão calculada por DFT e o gap do ramo óptico, atribuído à inclusão do modelo core-shell.
• Condutividade Térmica: O PW produz melhorias substanciais nas previsões de condutividade térmica em comparação ao CRG. A 1000 K, o erro na previsão da condutividade térmica para ThO₂ e UO₂ é reduzido de 54% e 63% (CRG) para 17% e 9% (PW), respectivamente, quando comparado aos dados experimentais.
• Energias de Formação de Defeitos: Apesar de ter sido treinado em apenas dois pontos de dados para formação de defeitos (pares de Frenkel de Th/U em uma célula convencional), o PW prevê com precisão as energias de formação para FPs de O, Th e U em supercelas maiores, com erros dentro de 9% dos valores de DFT.
• Constantes Elásticas: O PW fornece melhores previsões para certas constantes elásticas ($C_{11}$ e $C_{44}$ em ThO₂; $C_{44}$ em UO₂) em comparação ao CRG, embora o CRG tenha sido diretamente ajustado a constantes elásticas experimentais. Discrepâncias em outras constantes são atribuídas a diferenças entre os valores de DFT e experimentais, em vez de falha do potencial.
• Expansão Térmica: O PW mostra boa concordância com os dados experimentais de expansão térmica até 2500 K para ambos os materiais.

Significância e Alegações
O artigo alega que o treinamento de EIPs baseado em derivadas irredutíveis é uma direção promissora para o desenvolvimento de potenciais precisos focados em propriedades termofísicas relacionadas a fônons. Ao utilizar a simetria do grupo de espaço para minimizar dados de treinamento redundantes e incorporar derivadas de ordem superior, a abordagem alcança alta fidelidade aos dados de primeiros princípios. Os autores afirmam que seu método gera um EIP que caracteriza confiavelmente os dados de DFT e supera potenciais tradicionais na previsão de dispersões de fônons e condutividade térmica. Além disso, o estudo demonstra que o aprimoramento da forma funcional analítica com um modelo core-shell é essencial para capturar modos de fônons ópticos específicos em óxidos de actinídeos. Os autores sugerem que esta abordagem baseada em ID pode ser útil no contexto mais amplo de potenciais baseados em aprendizado de máquina, oferecendo um caminho para combinar a eficiência de formas analíticas com a precisão do treinamento de primeiros princípios.