Stoichiometry Dependent Properties of Cerium Hydride: An Active Learning Developed Interatomic Potential Study

Título: Propriedades Dependentes da Estequiometria do Hidreto de Cério: Um Estudo de Potencial Interatômico Desenvolvido por Aprendizado Ativo

1. Problema e Motivação

O hidreto de cério (CeH$_X$) apresenta propriedades físicas e químicas fascinantes, incluindo uma contração de rede conhecida e aumento de densidade com o aumento do conteúdo de hidrogênio. No entanto, existem desafios significativos no estudo deste material:

• Controle Experimental: O controle preciso da estequiometria (a razão H/Ce) é experimentalmente difícil, resultando em dados esparsos sobre como as propriedades variam com a composição.
• Limitações Computacionais: Abordagens ab initio (baseadas em primeiros princípios, como DFT) são computacionalmente proibitivas para simular propriedades que exigem grandes escalas de tempo e espaço, como fusão e difusão a baixas temperaturas.
• Complexidade do Material: O cério sofre transformações de fase complexas e o hidreto de cério é estável em uma ampla faixa de estequiometrias (aproximadamente 1.95 a 3.00 na fase FCC), exigindo um modelo que cubra todo esse espaço de fases.

O objetivo do trabalho é desenvolver um potencial interatômico aprendido por máquina (MLIAP) robusto para o sistema Ce/CeH$_X$, válido para razões H/Ce de 2.0 a 3.0, permitindo a simulação de propriedades termodinâmicas e mecânicas em escalas inacessíveis ao DFT puro.

2. Metodologia

Os autores empregaram uma abordagem de Aprendizado Ativo (Active Learning - AL) baseada no método Query-by-Committee para gerar o conjunto de dados de treinamento e desenvolver o potencial.

• Modelo de Potencial: Foi utilizado um HIPNN (Hierarchically Interacting Particle Neural Network), uma rede neural baseada em grafos com passagem de mensagens. O modelo final possui 2 camadas de interação e 3 camadas de átomos.
• Estratégia de Treinamento:
  • Um comitê de 8 modelos HIPNN foi treinado com divisões aleatórias de teste/treinamento para estimar a incerteza do modelo.
  • O treinamento incluiu termos de energia e força.
  • Ciclo de Aprendizado Ativo: Simulações de Dinâmica Molecular (MD) clássicas foram executadas usando o modelo atual. Se a variância (desvio padrão) das forças ou energias entre os 8 modelos excedesse um limiar (0.2 eV/Å para forças, 0.5 eV para energia), a estrutura era marcada como incerta.
  • Estruturas incertas eram rotuladas usando cálculos de DFT (nível PBE+U com Hubbard U = 4.0 eV) via VASP. Esses novos dados eram adicionados ao conjunto de treinamento, e novos modelos eram treinados.
  • Este ciclo continuou até que o modelo pudesse simular o espaço de temperatura e densidade com um número mínimo de estruturas incertas.
• Conjunto de Dados Final: O modelo final foi treinado em 18.068 estruturas, alcançando erros médios absolutos (MAE) de 0,18 eV/Å para forças e 0,0055 eV para energia.
• Simulações de Propriedades: O potencial treinado foi utilizado para calcular constantes elásticas, temperaturas de fusão (método de duas fases) e coeficientes de difusão de hidrogênio em uma vasta gama de temperaturas e estequiometrias.

3. Contribuições Principais

• Desenvolvimento de um MLIAP Robusto: Criação de um potencial interatômico validado para hidretos de cério em uma ampla faixa de estequiometrias (CeH$_{2.0}$ a CeH$_{3.0}$) e condições extremas (altas temperaturas e densidades).
• Mapeamento de Propriedades: Fornecimento de dados fundamentais sobre como propriedades mecânicas, térmicas e de transporte variam com a concentração de hidrogênio, algo difícil de obter experimentalmente.
• Insights Mecanísticos: Identificação dos mecanismos físicos subjacentes às tendências observadas, especificamente o papel dos sítios octaédricos e a contração da rede.

4. Resultados Chave

• Contração da Rede e Densidade:

  • Confirmou-se a contração não linear da rede cristalina e o aumento da densidade com o aumento do hidrogênio.
  • A taxa de contração diminui (efeito de saturação) à medida que a razão H/Ce se aproxima de 3,0. Isso é atribuído à sobreposição de campos de tensão: em baixas ocupações, a tensão é máxima; em altas ocupações, os campos de tensão dos átomos de hidrogênio vizinhos se cancelam parcialmente.

• Propriedades Mecânicas (Constantes Elásticas e Rigidez):

  • As constantes elásticas ($C_{11}$, $C_{12}$, $C_{44}$) e a rigidez geral seguem a tendência de contração da rede.
  • A adição de hidrogênio em sítios octaédricos fortalece as ligações Ce-H, tornando a rede mais rígida.
  • $C_{12}$ mostra um aumento linear, enquanto $C_{11}$ e $C_{44}$ apresentam um aumento inicial forte seguido por uma estabilização (tapering off) em altas concentrações de hidrogênio.
  • A resposta pressão-volume ($P-V$) mostra que concentrações mais altas de hidrogênio resistem muito mais à compressão em altas pressões (>30 GPa).

• Temperatura de Fusão:

  • A temperatura de fusão aumenta inicialmente com o teor de hidrogênio e depois satura.
  • A maior ligação na rede (devido aos átomos octaédricos) exige mais energia térmica para romper a coesão do sistema.
  • Simulações acima de H/Ce = 2.7 foram limitadas devido à separação de fases (líquido de Ce e gás H$_2$) em escalas de tempo de simulação.

• Difusão de Hidrogênio (Comportamento Não Monotônico):

  • Altas Temperaturas: A difusividade diminui com o aumento do hidrogênio, seguindo a difusão clássica de rede (menos sítios vazios para o movimento). O CeH$_2$ tem a maior difusividade.
  • Baixas Temperaturas: Observou-se um máximo local de difusividade em estequiometrias intermediárias (entre 2.5 e 2.6 H/Ce).
  • Mecanismo: Em baixas temperaturas, o hidrogênio é mais estável em sítios tetraédricos. A adição de hidrogênio octaédrico reduz a barreira de ativação para a difusão tetraédrica (possivelmente através de um mecanismo concertado ou alteração do campo de tensão local), facilitando o movimento até que a ocupação octaédrica atinja a metade. Acima disso, a falta de vacâncias octaédricas bloqueia o caminho de difusão.

5. Significância

Este estudo demonstra a eficácia do Aprendizado Ativo combinado com Redes Neurais para superar as limitações computacionais do DFT em sistemas complexos de materiais.

• O trabalho fornece uma ferramenta computacional confiável para prever o comportamento do hidreto de cério em condições extremas, essencial para aplicações em armazenamento de hidrogênio e ciência de materiais sob alta pressão.
• A descoberta de um pico de difusividade em baixas temperaturas em composições intermediárias desafia a intuição clássica e revela mecanismos complexos de interação átomo-átomo que só podem ser elucidados através de simulações em larga escala.
• O modelo estabelece uma base para futuros estudos sobre transformações de fase e propriedades dinâmicas em hidretos de terras raras.