A Multi-Scale Machine Learning Framework for Coupled Chemical, Spin, and Structural Disorder in Alloys

Resumo Técnico: Uma Estrutura de Aprendizado de Máquina Multiescala para Desordem Química, de Spin e Estrutural Acoplada em Ligas

Definição do Problema
As propriedades termodinâmicas de ligas magnéticas desordenadas são governadas pelo complexo emaranhamento da desordem configuracional (espécies químicas e orientações de spin) e da desordem estrutural (distorções locais da rede). Embora os métodos computacionais existentes possam abordar esses fatores individualmente — usando simulações de Monte Carlo (MC) para amostragem configuracional e Dinâmica Molecular (MD) para dinâmica estrutural — eles falham em capturar o acoplamento intrínseco onde mudanças na ocupação de sítios geram forças que alteram a geometria da rede. Modelar este sistema acoplado com precisão é computacionalmente proibitivo usando a Teoria do Funcional da Densidade (DFT) devido à necessidade de supercélulas grandes e amostragem extensiva. Além disso, modelos substitutos tradicionais, como campos de força clássicos ou expansões de cluster, geralmente assumem geometrias de rede fixas ou carecem da capacidade de descrever simultaneamente os graus de liberdade químicos, de spin e estruturais.

Metodologia
Os autores propõem uma estrutura multiescala unificada que integra modelos de aprendizado de máquina (ML) com métodos de amostragem estatística para enfrentar essas limitações. A arquitetura central acopla simulações de MC (para amostragem configuracional) com simulações de MD (para relaxação estrutural) em um loop aninhado:

1. Esquema de Amostragem: A estrutura propõe movimentos de MC (trocas elementares, inversões de spin e saltos intersticiais). Em vez de avaliar esses movimentos em uma rede estática, cada movimento proposto dispara uma trajetória curta de NPT-MD (número de partículas, pressão e temperatura constantes) para permitir que a rede relaxe e capture distorções estruturais.
2. Potenciais de Aprendizado de Máquina:
   • Redes Neurais de Grafos (GNNs): Uma GNN baseada em Transformer é empregada para avaliar a energia total e os momentos magnéticos relaxados resolvidos por sítio ($\{s_{i,relaxed}\}$). Crucialmente, a GNN recebe tanto as espécies atômicas quanto o palpite inicial de spin como características dos nós, sendo treinada para prever os momentos relaxados de forma autoconsistente e a energia total. Isso permite que o modelo lide com configurações de spin arbitrárias necessárias para a amostragem de MC.
   • Potenciais Interatômicos de Aprendizado de Máquina (MLIPs): O modelo CHGNet é ajustado para prever forças interatômicas e tensões. Essas derivadas da energia total impulsionam as relaxações estruturais (MD) e garantem um campo de força conservativo. Os autores observam que, embora o CHGNet preveja momentos magnéticos de estado fundamental, ele é usado aqui exclusivamente para a dinâmica estrutural, pois cálculos de benchmark de DFT indicam que configurações magnéticas não afetam significativamente as forças e tensões neste sistema.
3. Média Termodinâmica: A energia configuracional efetiva para um movimento de MC proposto é calculada pela média das energias de vários instantâneos (snapshots) extraídos da trajetória de MD. Esta energia é então usada em amostragem de Metropolis ou Wang-Landau para aceitar ou rejeitar o movimento, gerando um ensemble que captura tanto a desordem configuracional quanto a estrutural.

Principais Contribuições

• Estrutura Unificada: O artigo estabelece a primeira estrutura computacional capaz de modelar simultaneamente a desordem química, de spin e estrutural acoplada em ligas usando uma combinação de GNNs e MLIPs dentro de um loop de amostragem estatística.
• Arquitetura do Modelo: O desenvolvimento de uma arquitetura de GNN específica que aceita configurações de spin iniciais como entrada para prever momentos magnéticos relaxados e energias totais, superando a limitação de modelos de ML padrão que tipicamente preveem apenas propriedades de estado fundamental.
• Construção de Dataset: A criação de dois datasets especializados para ligas Fe-Co-C: um para o ajuste fino do MLIP (focando em distorções estruturais e forças) e outro para treinar a GNN (focando em diversas configurações químicas/de spin e momentos magnéticos relaxados).

Resultados
A estrutura foi aplicada a ligas de Fe-Co com dopantes de carbono intersticial em estrutura cúbica de corpo centrado (BCC):

• Temperaturas de Transição de Fase: A estrutura previu com sucesso a temperatura de transição ordem-desordem para Fe-Co como 1.000 K, em excelente concordância com o valor experimental de 1.006 K. Também previu a temperatura de fusão em 1.690 K, correspondendo à aproximação experimental de ~1.700 K.
• Papel das Distorções Estruturais:
  • Sem distorções estruturais (rede fixa), a estrutura identificou uma configuração de cadeia de carbono linear como o estado fundamental, levando a uma alta temperatura de transição ordem-desordem para o carbono (>1.700 K) devido às interações C-C.
  • Com distorções estruturais (NPT-MD), a configuração de cadeia de carbono foi desestabilizada porque as distorções locais da rede ao redor dos átomos de carbono quebraram a simetria de cancelamento de força. Consequentemente, a temperatura de transição ordem-desordem do carbono foi significativamente reduzida, enquanto a transição Fe-Co permaneceu robusta próximo a 1.000 K.
• Transições Estruturais: A estrutura capturou uma transição induzida por temperatura de uma estrutura tetragonal para uma estrutura quase cúbica conforme a desordem do carbono aumentava. Isso foi quantificado usando parâmetros de ordem anisotrópicos de rede ($D_{ab}$ e $D_c$), que mostraram grandes flutuações em concentrações intermediárias de carbono (1,85%) devido ao sistema alternar entre dois estados intersticiais de simetria inequivalente.
• Precisão do Modelo: O MLIP ajustado alcançou um Erro Médio Absoluto (MAE) de 0,119 eV/Å para forças e 0,443 GPa para tensões. A GNN alcançou um MAE de 34,0 meV/átomo para energia e 0,065 $\mu_B$ para momentos magnéticos, demonstrando confiabilidade para amostragem termodinâmica.

Significância
O artigo afirma que esta estrutura estabelece uma ferramenta confiável para estudar ligas de múltiplas desordens onde os graus de liberdade configuracionais e estruturais estão fortemente acoplados. Ao reproduzir benchmarks experimentais para Fe-Co-C com precisão de primeiros princípios, o trabalho demonstra que negligenciar as distorções estruturais pode levar a superestimativas significativas das temperaturas de transição de fase. Os autores posicionam esta estrutura como um método transferível aplicável a sistemas desordenados complexos, citando especificamente ligas de alta entropia, multiferróicos e dispositivos espintrônicos como potenciais áreas de aplicação. O trabalho destaca a necessidade de integrar a dinâmica estrutural impulsionada por ML com a amostragem configuracional para prever corretamente as propriedades termodinâmicas desses materiais.