AI-enhanced discovery and accelerated synthesis of metal phosphosulfides

Enunciado do Problema
Os fosfosulfetos metálicos representam uma classe versátil de materiais multifuncionais com potenciais aplicações em baterias de estado sólido, ferroelétricos e óptica não linear. No entanto, seu desenvolvimento tem sido dificultado por desafios significativos de síntese em comparação com classes de materiais estabelecidas, como óxidos e nitretos. Historicamente, a pesquisa procedeu em "silos de materiais", focando em compostos individuais ou buscas específicas impulsionadas por aplicações, em vez de uma exploração ampla e acelerada. Além disso, os procedimentos de síntese existentes são tipicamente seriais e de baixa produtividade, carecendo da capacidade de triar parâmetros composicionais e de processo em paralelo. Isso resultou em uma compreensão teórica limitada da sintetizabilidade e dos band gaps em todo o panorama mais amplo dos fosfosulfetos.

Metodologia
Os autores empregaram um fluxo de trabalho combinado integrando DFT de alto rendimento (high-throughput), aprendizado de máquina (ML) de multi-fidelidade e síntese experimental de alto rendimento:

1. Triagem Computacional: A equipe calculou a estabilidade termodinâmica e os band gaps de 909 fosfosulfetos metálicos ternários hipotéticos usando DFT (especificamente o funcional PBEsol). Eles construíram convex hulls para determinar a energia acima do hull ($E_h$) e definiram uma tolerância de estabilidade de 0–100 meV/átomo.
2. Modelo de Aprendizado de Máquina: Para lidar com o custo computacional de cálculos de band gap de alta precisão, foi desenvolvido um modelo de aprendizado profundo de multi-fidelidade baseado em transformers de invariância de permutação. Este modelo traduz band gaps PBEsol semilocais em band gaps calibrados experimentalmente usando a composição elementar e valores PBEsol como entradas. O modelo foi treinado em conjuntos de dados do Materials Project, SNUMAT e compilações experimentais.
3. Validação Experimental: Os autores utilizaram uma técnica de síntese combinatória de filmes finos de alto rendimento chamada Deposição de Pulverização Reativa Direcional e Difusa (DADMARS). Este método permite a deposição de filmes com gradientes intencionais de composição elementar através de um único substrato. Quatro experimentos combinatórios foram conduzidos nos sistemas Cu-P-S e Ag-P-S para sintetizar e caracterizar materiais sem receitas de síntese prévias.

Resultos Principais

• Estabilidade Termodinâmica e Novos Compostos: A triagem identificou 19 fosfosulfetos ternários anteriormente desconhecidos previstos como termodinamicamente estáveis ($E_h = 0$), incluindo os primeiros fosfosulfetos baseados em Si e Ge (SiP$_2$S$_6$ e GePS$_3$). Adicionalmente, 71 composições metaestáveis com $E_h < 50$ meV/átomo foram identificadas. O estudo descobriu que a sintetizabilidade é altamente correlacionada com $E_h$; embora 60% dos materiais no hull de estabilidade tenham sido sintetizados, essa taxa cai para 3% para materiais com $50 < E_h < 100$ meV/átomo.
• Classificação Estrutural: O estudo classifica os fosfosulfetos em duas categorias distintas baseadas na razão P/S:
  • Tiofosfatos (P/S $\le$ 1/3): O fósforo está em um estado de oxidação positivo (+4 ou +5) e forma motivos polianiônicos (ex: estruturas de [PS$_4$]$^{3-}$ isoladas, de compartilhamento de vértice, de compartilhamento de aresta ou estruturas do tipo etano) sem se ligar diretamente ao cátion metálico. Estes são predominantemente semicondutores de balanço de carga.
  • Não-tiofosfatos (P/S > 1/3): O fósforo adota estados de oxidação negativos ou neutros e se liga diretamente ao metal. Estes incluem motivos como unidades P-S, cadeias S-P-P-S e redes de fósforo. Esta classe exibe uma distribuição mais complexa de propriedades eletrônicas, incluindo comportamento metálico e band gaps estreitos.
• Predição de Band Gap: O modelo de ML de multi-fidelidade alcançou um erro médio absoluto (MAE) de 0,24 eV ao prever band gaps experimentais a partir de entradas PBEsol, superando o ajuste polinomial simples entre PBEsol e funcionais HSE (MAE 0,41 eV). O modelo revelou que os tiofosfatos geralmente possuem band gaps na faixa de 2,3–3,0 eV, enquanto os não-tiofosfatos mostram uma distribuição mais ampla, incluindo estados metálicos e gaps menores.
• Síntese Experimental: Usando apenas quatro experimentos combinatórios, a equipe sintetizou com sucesso quatro compostos distintos de filme fino de fase única: Cu$_3$PS$_4$, Cu$_7$PS$_6$, Ag$_3$PS$_4$ e Ag$_7$PS$_6$. Notavelmente, Ag$_3$PS$_4$ e Ag$_7$PS$_6$ foram obtidos em uma única corrida. Os filmes sintetizados foram semicondutores estáveis ao ar com band gaps na faixa do visível, confirmando a viabilidade da abordagem de alto rendimento para químicas "difíceis".

Significância e Alegações
O artigo argumenta que fluxos de trabalho de desenvolvimento de materiais acelerados, que integram teoria, inteligência artificial, síntese e caracterização, são viáveis mesmo para materiais inorgânicos experimentalmente desafiadores como os fosfosulfetos. Os autores demonstram que:

1. A triagem computacional ampla pode identificar composições estáveis e inexploradas (incluindo sistemas baseados em Si/Ge) que eram anteriormente desconhecidas.
2. O aprendizado de máquina de multi-fidelidade pode efetivamente preencher a lacuna entre cálculos DFT rápidos e de baixa precisão e a realidade experimental para a predição de band gap.
3. Métodos experimentais de alto rendimento (especificamente DADMARS) podem superar as barreiras tradicionais de síntese de fosfosulfetos, permitindo a descoberta rápida de novos materiais de filme fino sem a necessidade de receitas de síntese prévias.

O trabalho conclui que a natureza "difícil" da química do fósforo e do enxofre não impede a descoberta acelerada, desde que configurações experimentais de alto rendimento adequadas sejam implementadas. As descobertas fornecem um mapa fundamental da diversidade estrutural, composicional e eletrônica dos fosfosulfetos metálicos, oferecendo uma base para futuras buscas inteligentes por novos materiais com novas composições e maior complexidade.