Screening 39 billion protostructures for materials discovery

Resumo Técnico: Triagem de 39 Bilhões de Protocristais para Descoberta de Materiais

Definição do Problema
O campo da predição de estruturas cristalinas (CSP) é central para a descoberta de materiais, mas enfrenta um gargalo combinatório. O espaço de todos os materiais possíveis é vasto, tornando a exploração sistemática e imparcial difícil. As abordagens existentes baseiam-se amplamente em dados de repositórios como ICSD, AFLOW e Materials Project, que são enviesados para protótipos estruturais conhecidos (aproximadamente 8.000 tipos observados). Métodos que utilizam IA generativa ou priors estatísticos derivados dessas bases de dados herdam esse viés, limitando a capacidade de descobrir estruturas vastamente diferentes das já conhecidas. Além disso, o espaço configuracional completo de um cristal com $N$ átomos envolve $6+3N$ graus de liberdade contínuos, tornando a enumeração exaustiva computacionalmente intratável para sistemas complexos.

Metodologia
Os autores propõem uma estrutura de alto rendimento em duas etapas, projetada para escalar a exploração estrutural em ordens de magnitude, mantendo uma cobertura imparcial do espaço configuracional.

1. Pré-triagem de Grão Grosso (Protocristais):

   • Representação: Os autores utilizam "protocristais", uma representação de grão grosso que especifica o grupo espacial de um cristal, elementos químicos e as posições de Wyckoff ocupadas pelos átomos, sem definir coordenadas atômicas explícitas ou parâmetros de rede. Isso reduz significamente os graus de liberdade.
   • Enumeração: Eles enumeram sistematicamente todos os protocristais distintos de simetria para compostos binários e ternários usando elementos do lítio ao bromo (excluindo gases nobres). A enumeração é restrita a uma complexidade estrutural de cinco átomos na unidade assimétrica e um máximo de 64 átomos na célula unitária. Isso resulta em aproximadamente 39 bilhões de protocristais.
   • Modelo de Aprendizado de Máquina (Wren): O modelo Wren (Rede de Representação de Wyckoff), uma arquitetura baseada em transformer reimplementada usando JAX para aceleração por GPU, é utilizado para prever a energia de formação desses protocristais. O modelo é treinado na base de dados Alexandria (conjunto de dados PBE 3D, ~4,5 milhões de estruturas).
   • Eficiência: O modelo Wren reimplementado alcança um aumento de 40 vezes no throughput de inferência em comparação com implementações anteriores em GPU, permitindo a avaliação de milhões de protocristais por segundo.
   • Filtragem: Um envelope convexo (convex hull) de estabilidade termodinâmica é construído usando as energias previstas pelo Wren. Protocristais previstos para estarem mais de 100 meV/átomo acima do envelope convexo da Alexandria são descartados. Esta etapa retém aproximadamente 15,7 milhões de candidatos (0,04% do total).

2. Exploração de Grão Fino e Relaxação:

   • Concretização: Os protocristais retidos são convertidos em estruturas cristalinas explícitas. Os graus de liberdade (parâmetros de rede e coordenadas atômicas dentro das restrições de Wyckoff) são amostrados usando Amostragem de Hipercubo Latino (LHS). O número de amostras é determinado heuristicamente com base nos graus de liberdade e nos átomos.
   • Estimativa de Volume Inicial: Um modelo de regressão linear prevê raios atômicos efetivos com base na identidade química e coordenação para estimar os volumes iniciais das células unitárias, evitando geometrias iniciais não físicas.
   • Relaxação: As estruturas geradas passam por uma otimização de geometria com restrição de simetria usando o potencial interatômico MACE (Expansão de Cluster Atômico de Aprendizado de Máquina) (versão MPA-0). Isso garante que a relaxação respeite a simetria do protocristal original.
   • Validação: Uma etapa de validação secundária utiliza o potencial de rede neural ORB. As estruturas são retidas apenas se as previsões de energia do MACE e do ORB concordarem dentro de 100 meV/átomo.
   • Saída: Esta etapa produz 81 milhões de estruturas cristalinas localmente relaxadas.

Principais Resultados

• Escala: O fluxo de trabalho triou 39 bilhões de protocristais, resultando em um conjunto de dados de 81 milhões de estruturas cristalinas relaxadas.
• Estabilidade: Dentro do espaço químico triado (Li–Br, binário/ternário, complexidade $\le$ 5, célula unitária $\le$ 64 átomos), os autores identificaram 456.110 estruturas com uma entalpia de decomposição ($H_d$) abaixo de 100 meV/átomo em relação ao envelope convexo.
• Novidade: Essas estruturas abrangem 91.295 protótipos cristalinos únicos. Crucialmente, 88.498 desses protótipos não estão presentes em bases de dados existentes (Alexandria ou GNoME).
• Validação:
  • Sistemas Conhecidos: O método foi validado nos sistemas Hf-Zn-N, Ti-Zn-N e Zr-Zn-N. Ele redescobriu com sucesso fases conhecidas e identificou uma fase ternária ausente (Hf$_6$Zn$_6$N) que foi omitida em uma triagem limitada anterior devido a limites de contagem de estruturas.
  • Verificação por DFT: Cálculos de DFT de alto rendimento foram realizados em 2.303 novas estruturas com $H_d \le 0$. Destas, 631 permaneceram abaixo de zero (no envelope convexo), e o restante permaneceu dentro de 25 meV/átomo do envelope.
  • Análise de Erro: O erro absoluto médio das previsões do MLIP em relação ao DFT na Alexandria é de 33 meV/átomo. A distribuição de erro mostra um viés para energias de formação mais altas (falsos negativos), sugerindo que a metodologia é conservadora.

Significância e Alegações
O artigo afirma fornecer um mapa sistemático do espaço composicional-estrutural de baixa energia e um grande conjunto estruturado de candidatos para avaliação de propriedades subsequentes.

• Superação do Viés: Ao utilizar protocristais e evitar priors baseados em bases de dados estruturais existentes, o fluxo de trabalho supera o viés de "prior estrutural" inerente à maioria dos métodos atuais de CSP, permitindo a descoberta de novos protótipos em regiões inexploradas.
• Escalabilidade: A abordagem de duas etapas (pré-triagem de grão grosso seguida de relaxação de grão fino) aborda com sucesso a explosão combinatória, tornando viável a triagem de dezenas de bilhões de candidatos.
• Diversidade: A descoberta de quase 90.000 novos protótipos representa uma "mudança qualitativa real" na diversidade estrutural para bases de dados de materiais em comparação com esforços anteriores (por exemplo, a Alexandria tem ~8.449 protótipos sob limites semelhantes; o GNoME tem ~2.253).
• Fundação para Trabalhos Futuros: Os autores observam que, embora a triagem atual seja massiva, a metodologia fornece uma base escalável. Eles sugerem que o retreinamento do modelo de pré-triagem com maior precisão poderia reduzir ainda mais o número de sistemas que exigem a cara relaxação da segunda etapa, potencialmente permitindo a triagem de complexidades estruturais mais altas através de toda a tabela periódica.

O trabalho não afirma ter sintetizado experimentalmente esses materiais, mas posiciona o conjunto de dados como um recurso para guiar o futuro design teórico e experimental de materiais.