A wrong ground-state structure of HfO$_2$ predicted by machine-learning interatomic potentials based on the PBE functional

Este artigo alerta que potenciais interatômicos de aprendizado de máquina treinados em dados de DFT baseados em PBE predizem incorretamente a estrutura do estado fundamental de HfO$_2$ devido à tendência do funcional em superestabilizar fases de baixa densidade, uma falha que pode ser mitigada pelo uso de funcionais alternativos como PBEsol ou LDA.

O essencial

Imagine que você está tentando construir um mapa perfeito de uma região montanhosa para ajudar trilheiros a encontrar o vale mais baixo (o "estado fundamental"). No mundo da ciência dos materiais, esse vale representa a forma mais estável e natural que um material como o Óxido de Háfnio (HfO₂) deseja assumir.

Por muito tempo, os cientistas têm usado uma ferramenta poderosa chamada Potenciais Interatômicos de Aprendizado de Máquina (MLIPs). Pense nesses MLIPs como sistemas de GPS super inteligentes. Eles são treinados sendo alimentados com dados de um "professor" chamado Teoria do Funcional da Densidade (DFT). O "texto de professor" mais popular usado para treinar esses sistemas de GPS é um conjunto específico de regras chamado funcional PBE.

Aqui está a história do que o artigo descobriu:

1. O GPS errou o mapa

Os pesquisadores pediram ao seu sistema de GPS (o MLIP treinado com dados PBE) para encontrar o vale mais baixo para o HfO₂.

• O que o GPS disse: "O vale mais baixo é um lugar chamado I4₁/amd. É uma estrutura de baixa densidade, espaçosa, onde os átomos estão arranjados em um padrão octaédrico específico (como uma caixa com seis lados)."
• O que a realidade diz: "Não, o vale mais baixo é, na verdade, a estrutura monoclínica P2₁/c. É isso que experimentos no mundo real claramente mostram."

O GPS estava apontando confiantemente para o destino errado. Ele afirmou que a estrutura "espaçosa" I4₁/amd era 17 unidades mais estável do que o verdadeiro vencedor.

2. O GPS está quebrado ou o Professor está mentindo?

Os pesquisadores se perguntaram: Nós construímos o GPS errado, ou o professor (PBE) está dando lição de casa ruim?

Eles testaram isso ao:

• Verificar outros modelos de GPS famosos e pré-fabricados (como NequIP e MatterSim). Resultado: Todos apontaram para o mesmo vale errado ("I4₁/amd").
• Comparar as previsões do GPS diretamente contra os dados brutos do professor. Resultado: O GPS estava, na verdade, fazendo seu trabalho perfeitamente; ele estava apenas copiando fielmente os erros do professor.

O Veredito: O GPS não estava quebrado. O professor PBE era o problema.

3. A analogia das "Roupas Folgadas"

Por que o professor PBE cometeu esse erro?
Imagine que o funcional PBE é como um alfaiate que ama roupas largas e folgadas.

• As estruturas "I4₁/amd" e "Pbcn" são como roupas largas e espaçosas (baixa densidade, volumes grandes).
• A estrutura "P2₁/c" é como uma roupa mais justa e compacta.

O alfaiate PBE tem um viés: ele acha que roupas largas e espaçosas são mais confortáveis (menor energia) do que realmente são. Devido a esse viés, o professor PBE disse ao GPS que a roupa "folgada" I4₁/amd era a melhor, embora, na realidade, a roupa mais "justa" P2₁/c seja a que o material prefere.

Quando os pesquisadores testaram outros "alfaiates" (funcionais como PBEsol ou LDA), que preferem ajustes mais apertados e compactos, o mapa se corrigiu. De repente, a roupa "I4₁/amd" pareceu larga demais e cara, e a estrutura "P2₁/c" retornou a ser a verdadeira campeã.

4. A Jornada do Trilheiro (Alternância Ferroelétrica)

O artigo também observou o que acontece quando o HfO₂ muda de forma (como um trilheiro mudando de caminho).

• Cenário A (Rede Fixa): Se você forçar o trilheiro a permanecer em um caminho rígido (sem mudar o tamanho do mapa), tanto o professor "folgado" PBE quanto o professor "justo" PBEsol dão direções semelhantes.
• Cenário B (Rede Relaxada): Se você permitir que o trilheiro mude o tamanho do caminho (permitindo que o mapa se expanda ou contraia), os dois professores dão direções totalmente diferentes.
  • O professor PBE (viés de roupas folgadas) diz: "Pegue o caminho através do vale espaçoso Pbcn porque parece fácil e amplo."
  • O professor PBEsol (viés de compactação) diz: "Não, esse caminho é muito largo e instável. Pegue a rota mais justa e direta."

Como o professor PBE superestima o quão confortáveis os caminhos "espaçosos" são, ele leva a simulação por um caminho completamente diferente do que realmente aconteceria no mundo real.

A Grande Lição

A principal lição é um aviso para qualquer pessoa que use esses sistemas de alta tecnologia (MLIPs):

Só porque um modelo de aprendizado de máquina é incrivelmente preciso ao copiar seus dados de treinamento, não significa que ele esteja dizendo a verdade. Se o "professor" (o funcional DFT) tem um viés incorporado (como amar roupas folgadas), o aluno (o MLIP) aprenderá esse viés perfeitamente e preverá a resposta errada com confiança.

Para obter um mapa confiável do mundo dos materiais, você não pode apenas confiar no modelo de aprendizado de máquina; você tem que garantir que o professor do qual ele aprendeu esteja usando o conjunto correto de regras.

Resumo técnico

Resumo Técnico: Uma Estrutura de Estado Fundamental Incorreta de HfO₂ Prevista por Potenciais Interatômicos de Aprendizado de Máquina Baseados no Funcional PBE

Definição do Problema
Os potenciais interatômicos de aprendizado de máquina (MLIPs) tornaram-se ferramentas essentes para simulações de materiais em larga escala, oferecendo uma precisão próxima à dos primeiros princípios com uma fração do custo computacional da teoria do funcional da densidade (DFT). No entanto, a confiabilidade preditiva dos MLIPs está intrinsecamente ligada à qualidade de seus conjuntos de dados de treinamento, que são predominantemente gerados usando o funcional de aproximação de gradiente generalizado (GGA) Perdew–Burke–Ernzerhof (PBE). Embora o PBE seja amplamente adotado por sua eficiência e estabilidade, sua capacidade de descrever com precisão as sutis diferenças de energia entre polimorfos concorrentes em sistemas complexos como o óxido de háfnio (HfO₂) permanece uma questão crítica. O HfO₂ exibe uma forte competição polimórfica (incluindo fases monoclínica, ortorrômbica e tetragonal) e alta sensibilidade a campos externos e deformação. O problema central abordado neste trabalho é se os MLIPs baseados em PBE podem capturar de forma confiável a estrutura correta do estado fundamental e os paisagens de energia do HfO₂, ou se erros inerentes ao funcional PBE estão sendo propagados e amplificados pelos modelos de aprendizado de máquina.

Metodologia
Os autores empregaram uma abordagem multifacetada para investigar a confiabilidade dos modelos baseados em PBE para o HfO₂:

1. Treinamento de MLIP e Busca Global: Um MLIP específico baseado na arquitetura Allegro foi treinado em um conjunto de dados gerado via dinâmica molecular ab initio (AIMD) usando o funcional PBE (VASP). Este potencial foi utilizado para conduzir buscas estruturais globais usando o software CALYPSO para identificar as estruturas de menor energia.
2. Benchmarking contra Modelos de Fundação: Para determinar se os achados eram específicos de seu modelo customizado, os autores realizaram buscas estruturais usando vários modelos de fundação pré-treinados e amplamente utilizados, incluindo NequIP-OAM-L, MatterSim-v1-5M e MACE-MP-0.
3. Comparação de Funcionais: Os autores calcularam as energias relativas de várias estruturas cristalinas de HfO₂ (incluindo as fases monoclínica $P2_1/c$, tetragonal $P4_2/nmc$, ortorrômbica $Pca2_1$ e as fases $I4_1/amd$ recém-identificadas) usando uma gama de funcionais de troca-correlação: PBE, PBE-vdW, SCAN, PBEsol e a aproximação de densidade local (LDA).
4. Análise de Alternância de Polarização: Para avaliar o impacto do viés do funcional em processos dinâmicos, os autores calcularam as vias de alternância de polarização para o HfO₂ ortorrômbico ferroelétrico ($Pca2_1$) utilizando tanto PBE quanto PBEsol. Estes cálculos foram realizados sob condições de rede fixa e rede relaxada usando os métodos de Nudged Elastic Band (NEB) e Generalized Solid-State NEB (GSSNEB).

Principais Resultados

• Identificação de um Estado Fundamental Incorreto: Tanto o MLIP customizado treinado em PBE quanto múltiplos modelos de fundação públicos (NequIP-OAM-L, MatterSim-v1-5M) previram incorretamente uma estrutura $I4_1/amd$ de baixa energia como o mínimo global para o HfO₂. Esta estrutura, que se assemelha ao TiO₂ rutilo e apresenta unidades octaédricas de Hf–O de seis coordenações, foi encontrada para ser aproximadamente 1 de 17 meV/f.u. menor em energia do que o estado fundamental monoclínico $P2_1/c$ verificado experimentalmente.
• Origem do Erro: Cálculos de DFT comparativos confirmaram que os MLIPs reproduziram fielmente os resultados do PBE-DFT, provando que o erro não foi um artefato de ajuste de aprendizado de máquina, mas sim uma falha intrínseca do próprio funcional PBE. A fase $I4_1/amd$ emergiu como a estrutura de menor energia apenas sob o funcional PBE. Quando outros funcionais (PBE-vdW, SCAN, PBEsol, LDA) foram usados, a fase $I4_1/amd$ tornou-se significativamente menos estável, tornando-se eventualmente a fase de maior energia sob o LDA.
• Sensibilidade Estrutural: O erro foi rastreado até a tendência do PBE de superestabilizar estruturas de baixa densidade com grandes volumes de equilíbrio e ambientes de coordenação específicos (Hf de seis coordenações, O de três coordenações). Funcionais que favorecem estruturas mais compactas, como PBEsol e LDA, penalizam essas configurações de baixa densidade.
• Impacto na Alternância Ferroelétrica: O viés do funcional alterou significativamente as paisagens de energia para a alternância de polarização quando a relaxação de rede foi permitida. Sob condições de rede fixa, PBE e PBEsol produziram barreiras semelhantes. No entanto, com a relaxação de rede, o PBE previu um estado intermediário distinto do tipo $Pbcn$ com uma barreira menor, enquanto o PBEsol manteve um estado de transição convencional do tipo tetragonal. Isso ocorreu porque a paisagem de energia do PBE torna a fase $Pbcn$ um poço de baixa energia competitivo, enquanto o PBEsol coloca esta fase em uma energia muito mais alta.

Principais Contribuições

• Descoberta de uma Falha Sistemática de MLIP: O estudo revela uma previsão de estado fundamental espúria e anteriormente não relatada ($I4_1/amd$) comum a múltiplos MLIPs de ponta baseados em PBE para o HfO₂.
• Atribuição aos Funcionais de Troca-Correlação: O trabalho demonstra definitivamente que os erros nas previsões de MLIP de estruturas cristalinas podem originar-se diretamente do funcional de troca-correlação usado para gerar os dados de treinamento, e não da arquitetura de aprendizado de máquina ou do processo de ajuste.
• Paisagens de Energia Dependentes de Funcional: A pesquisa destaca que a escolha do funcional altera fundamentalmente a topologia da superfície de energia potencial, particularmente para processos que envolvem grandes relaxações de rede, como transições de fase e alternância ferroelétrica.
• Validação de Funcionais Alternativos: O estudo mostra que o erro pode ser amplamente suprimido pelo uso de funcionais alternativos como PBEsol e LDA, que preveem corretamente a estrutura monoclínica $P2_1/c$ como o estado fundamental.

Significância e Alegações
Os autores enquadram este estudo como um aviso crítico à comunidade de modelagem de materiais. Eles afirmam que, embora os MLIPs sejam poderosos, sua confiabilidade não pode ser julgada apenas pela sua capacidade de reproduzir dados de referência de DFT. Se o funcional de DFT subjacente contiver vieses sistemáticos (como a superestimação de volumes pelo PBE para certos ambientes de coordenação), o MLIP reproduzirá fielmente esses erros, levando a previsões fisicamente incorretas de estados fundamentais e caminhos de transição de fase. O artigo enfatiza a necessidade de avaliar cuidadosamente a validade física do funcional de troca-correlação usado para o treinamento, especialmente ao simular sistemas com competição polimórfica complexa e relaxação de rede. As descobertas sugerem que, para o HfO₂ e sistemas similares, a dependência de modelos de fundação treinados em PBE sem validação de funcional pode levar a conclusões enganosas sobre estabilidade estrutural e mecanismos de alternância.