Using graph neural networks to predict many-body interactions in amorphous materials

Resumo Técnico: Uso de Redes Neurais de Grafos para Predizer Interações de Muitos Corpos em Materiais Amorfo

Definição do Problema
As interações de muitos corpos são fundamentais para o comportamento de materiais amorfos, variando de vidros metálicos a tecidos biológicos. No entanto, a modelagem computacional desses sistemas tem sido historicamente restrita a potenciais aditivos de pares devido ao custo proibitivo de resolver com precisão interações de ordens superiores. Essa limitação impede a caracterização completa do panorama de energia potencial (PEL) de alta dimensão e rugoso que governa a dinâmica lenta e o comportamento vítreo desses materiais. Embora os potenciais interatômicos baseados em aprendizado de máquina (MLIPs) tenham mostrado promessa na modelagem de interações atômicas, sua capacidade de resolver o complexo PEL de sistemas vítreos moles — especificamente aqueles dominados por interações dependentes de ângulo — permanece uma questão em aberto. Além disso, os MLIPs existentes não foram estendidos para vidros moles, e não está claro se eles podem generalizar de dados de treinamento de alta energia e fora do equilíbrio para estados de equilíbrio de baixa energia.

Metodologia
Os autores abordam esse desafio aplicando a rede neural de grafos (GNN) de passagem de mensagem equivariante, NequIP, a um modelo de vidro mole composto por nanopartículas com polímeros injertados (PGNs) sem solvente. Neste sistema, a ausência de solvente força as cadeias poliméricas injertadas a preencher uniformemente o espaço intersticial, criando fortes interações de muitos corpos, dependentes de ângulo, entre os núcleos das partículas que não podem ser capturadas por potenciais de pares.

O fluxo de trabalho envolve três estágios primários:

1. Geração de Dados via DFT Clássica: Os autores utilizem a teoria do funcional da densidade (DFT) clássica para modelar as interações mediadas por polímeros. Eles amostram 5.000 configurações descorrelacionadas, de alta energia e fora do equilíbrio de PGNs usando dinâmica de esferas rígidas. A energia potencial para cada configuração é calculada usando DFT clássica, que trata os polímeros como um fluido incompressível preenchendo o espaço vazio. Isso gera um conjunto de dados abrangendo a região de alta energia do PEL.
2. Treinamento da GNN: A NequIP é treinada neste conjunto de dados para aprender o mapeamento das coordenadas das partículas para a energia potencial. A rede utiliza representações tensoriais que são equivariantes a translações, rotações e reflexões, permitindo que capture efeitos de muitos corpos anisotrópicos. Os autores analisam sistematicamente os hiperparâmetros, incluindo o raio de corte ($r_{cut}$), o número de camadas de passagem de mensagem ($n_l$) e a resolução angular máxima ($l_{max}$), para determinar o alcance físico e a ordem das interações.
3. Simulações de Monte Carlo (MC) Dirigidas por GNN: Uma vez treinada, a GNN substitui a DFT clássica em simulações de Monte Carlo. Essa aceleração (quatro ordens de magnitude mais rápida) permite a exploração dos mínimos profundos do PEL, permitindo que o sistema alcance configurações de equilíbrio que eram inacessíveis durante a fase de treinamento.

Principais Contribções e Resultados

• Aprendizado Preciso do PEL: O modelo NequIP treinado reproduz as energias da DFT clássica com um erro absoluto médio (MAE) de aproximadamente 0,01 $\sigma_E$ (desvio padrão da energia) através de vários parâmetros de design (densidade de injerto, fração volumétrica do núcleo, peso molecular do polímero). Isso corresponde a erros por partícula bem abaixo da escala de energia térmica ($k_B T$).
• Insights Físicos sobre o Alcance e a Ordem da Interação: A análise sistemática dos hiperparâmetros revela que previsões precisas requerem um raio de corte grande ($r_{cut}/d \approx 6$), indicando que as interações efetivas estendem-se muito além dos vizinhos imediatos devido a correlações de muitos corpos, em vez de forças de pares de longo alcance. Além disso, a convergência do erro em relação ao número de camadas de passagem de mensagem ($n_l$) sugere que correlações de quatro corpos são cruciais para a previsão de energia em PGNs sem solvente, contrastando com sistemas com solvente onde interações de três corpos costumam ser suficientes. A necessidade de representações equivariantes ($l_{max} \ge 1$) confirma a natureza altamente direcional dessas interações.
• Generalização Fora da Distribuição: Um resultado marcante é a capacidade da rede de prever estruturas de equilíbrio, apesar de ter sido treinada exclusivamente em configurações de alta energia e fora do equilíbrio. As simulações de MC dirigidas por GNN recuperam estruturas de equilíbrio que concordam com medições experimentais (por exemplo, distâncias de vizinhos mais próximos de SAXS) e com as previsões de DFT clássica. A distribuição de energia de equilíbrio situa-se bem fora da distribuição de treinamento, mas a GNN mantém a precisão de nível de DFT, demonstrando uma generalização robusta.
• Descoberta de Ordem Local: A análise das estruturas de equilíbrio revela a ausência de ordenamento do tipo cristalino, mas a presença de estruturas do tipo icosaédrico localmente favorecidas. Essas estruturas estão fortemente correlacionadas com volumes de Voronoi específicos (formas dodecaédricas) que minimizam a energia livre dos polímeros injertados. Esse ordenamento local é observado apenas no equilíbrio e está ausente nos dados de treinamento fora do equilíbrio.
• Hiperuniformidade: As estruturas de equilíbrio exibem flutuações de densidade de longo alcance suprimidas (hiperuniformidade), uma característica consistente com observações experimentais de PGNs sem solvente, que não está presente nas configurações de amostragem de esferas rígidas fora do equilíbrio.

Significância
O artigo demonstra que GNNs equivarientes podem aprender com sucesso os panoramas de energia potencial de alta dimensão e rugosos de sistemas vítreos moles dominados por interações de muitos corpos. Ao treinar em dados de alta energia computacionalmente acessíveis, o modelo pode prever propriedades e estruturas de equilíbrio que são, de outra forma, computacionalmente proibitivas de obter via DFT clássica. Este trabalho estabelece um fluxo de trabalho prático para o estudo de materiais amorfos onde os efeitos de muitos corpos não são desprezíveis, oferecendo um caminho para o design inverso e uma compreensão mais profunda da relação estrutura-dinâmica em sistemas vítreos. As descobertas sugerem que características estruturais ocultas compartilhadas entre estados de equilíbrio e não equilíbrio podem ser extraídas por modelos de ML, potencialmente motivando novos parâmetros de ordem baseados em física.