🔬 materials science

Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

Este estudo apresenta modelos de aprendizado de máquina informados pela física que predizem com precisão os parâmetros de interação de Hubbard ( $U_{\rm eff}$ , $V$ e $J$ ) derivados de cRPA para óxidos de metais de transição, oferecendo tanto capacidades de triagem de alto rendimento quanto novos insights físicos sobre os fatores eletrônicos e estruturais que regem essas interações.

Autores originais: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Publicado 2026-07-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando construir um modelo perfeito de uma pequena e movimentada cidade feita de átomos. Nesta cidade, os elétrons são os cidadãos, zanzando por aí e interagindo uns com os outros. Às vezes, os elétrons são bem comportados e seguem as regras normais de trânsito. Mas em certos materiais, como óxidos de metais de transição, os elétrons ficam agitados. Eles começam a empurrar e esbarrar uns nos outros com tanta força que as regras usuais deixam de funcionar. Isso é chamado de "correlação eletrônica forte". Para entender esses materiais — que são cruciais para fabricar melhores baterias, supercondutores e ímãs — os cientistas usam um conjunto especial de regras chamadas "parâmetros de Hubbard". Pense nesses parâmetros como as "leis de trânsito" para esses elétrons agitados: o quanto eles se repelem quando estão no mesmo lugar (on-site), como interagem com vizinhos do outro lado da rua (inter-site) e como seus spins se sincronizam (acoplamento de Hund).

Por muito tempo, descobrir essas leis de trânsito era um jogo de adivinhação. Os cientistas ajustavam os números até que seus modelos computacionais coincidissem com experimentos do mundo real, mas isso tornava seus modelos pouco confiáveis para novos materiais. Mais tarde, um método mais rigoroso chamado "aproximação de fase aleatória restrita" (cRPA) foi desenvolvido. É como ter uma câmera de trânsito superprecisa que pode calcular as regras exatas com base na física, mas é tão computacionalmente cara que leva uma eternidade para rodar, tornando impossível verificar cada material no universo. É aqui que a história fica interessante: como obter a precisão de uma supercâmera sem esperar anos pelos resultados?

A História do Artigo: Ensinando Computadores a Adivinhar as Regras

Neste estudo, os pesquisadores Jiyeon Kim, Indukuru Ramesh Reddy e sua equipe na Universidade Nacional de Kyungpook decidiram ensinar um computador a ser um mestre do controle de tráfego. Eles queriam construir um modelo de aprendizado de máquina "informado pela física" que pudesse prever esses complicados parâmetros de Hubbard (especificamente $U_{eff}$ , $V$ e $J$ ) para óxidos de metais de transição. Em vez de apenas deixar o computador adivinhar cegamente, eles deram a ele uma folha de dicas físicas — coisas como o quão larga é a "rodovia" do elétron (largura de banda ou bandwidth) e o quão distantes estão os níveis de energia do elétron em relação aos vizinhos de oxigênio (separação do centro da banda).

A equipe primeiro construiu um conjunto de dados massivo usando o método cRPA, que é lento e caro, para obter as respostas "reais" para uma variedade de materiais. Em seguida, treinaram três tipos diferentes de detetives de aprendizado de máquina (chamados de Floresta Aleatória, Gradient Boosting e XGBoost) para aprender os padrões. Os resultados foram impressionantes. O melhor detetive, um modelo XGBoost, conseguiu prever a repulsão no local ( $U_{eff}$ ) com um erro de apenas 0,148 eV, a interação com o vizinho ( $V$ ) com um erro de 0,062 eV e o alinhamento de spin ( $J$ ) com um erro minúsculo de 0,007 eV. Para colocar em perspectiva, o modelo é tão bom que consegue distinguir entre materiais quase tão bem quanto o método lento e caro, mas em uma fração de segundo.

Mas os autores não pararam apenas em criar uma "caixa preta" que fornece respostas. Eles queriam saber por que o computador estava fazendo aquelas suposições. Então, usaram um segundo truque chamado "busca de força bruta baseada em regressão" (BFS). Imagine isso como pegar as melhores suposições do computador e forçá-lo a escrever uma equação matemática simples que explique a lógica. Isso revelou verdades fascinantes sobre o mundo atômico:

Para a Repulsão no Local ( $U_{eff}$ ): O modelo descobriu que este valor é um cabo de guerra entre o quão "localizado" um elétron está (o quão preso ele está ao seu átomo) e o quanto ele se mistura com seus vizinhos de oxigênio. A matemática mostrou que, se o elétron for mais localizado (largura de banda mais estreita) e menos misturado com o oxigênio (maior separação de energia), a repulsão se torna mais forte. A equação derivada ligou diretamente esses conceitos físicos ao número final.
Para a Interação com o Vizinho ( $V$ ): Esta questão era toda sobre estrutura. O modelo sugeriu que, quanto mais próximos os átomos estiverem compactados (compactação estrutural) e mais forte for a mistura com o oxigênio, mais forte será a interação entre os vizinhos. Curiosamente, a "localização" do elétron não importava tanto aqui quanto importava para a repulsão no local.
Para o Alinhamento de Spin ( $J$ ): Este foi o mais simples de todos. O modelo descobriu que o alinhamento de spin é determinado quase inteiramente pela identidade do próprio átomo metálico. É como uma impressão digital; se você conhece o elemento (seu número atômico e grupo), pode prever o comportamento do spin com uma precisão incrível, independentemente da estrutura complexa ao redor. O modelo sugeriu que, como essa interação é fracamente blindada pelo ambiente, o caráter natural do átomo brilha através dela.

Os autores enfatizam que, embora esses modelos de aprendizado de máquina sejam altamente precisos, eles não são mágicos. Eles são construídos sobre a fundação dos dados de cRPA, que servem como a "verdade" para o treinamento. O estudo sugere que, ao combinar a velocidade do aprendizado de máquina com os insights físicos dessas equações derivadas, os cientistas podem agora rastrear milhares de materiais rapidamente sem sacrificar a compreensão profunda de por que eles se comportam daquela maneira. É uma forma de obter o melhor dos dois mundos: a velocidade de um palpite e a sabedoria de um físico.

Resumo Técnico: Aprendizado de Máquina Informado pela Física para a Predição de Parâmetros de Interação de Hubbard

Definição do Problema
A determinação precisa dos parâmetros de interação de Hubbard — especificamente a interação Coulombiana efetiva no sítio ( $U_{eff}$ ), a interação Coulombiana entre sítios ( $V$ ) e o acoplamento de Hund ( $J$ ) — é crítica para a aplicação de métodos além do DFT (como DFT+U, DFT+DMFT e DFT+U+V) em materiais correlacionados. Embora o ajuste empírico desses parâmetros seja comum, isso limita a transferibilidade. Abordagens de primeiros princípios, como a aproximação de campo médio aleatório constrangido (cRPA), oferecem uma rota rigorosa e transferível ao tratar explicitamente a triagem eletrônica (screening). No entanto, o alto custo computacional dos cálculos de cRPA cria um gargalo para a triagem de materiais em larga escala. Embora estudos recentes de aprendizado de máquina (ML) tenham previsto parâmetros de Hubbard, a predição específica de parâmetros $U_{eff}$ , $V$ e $J$ derivados de cRPA usando descritores que capturam efeitos de localização eletrônica e triagem permanece amplamente inexplorada.

Metodologia
Os autores desenvolveram uma estrutura de ML informada pela física para prever parâmetros derivados de cRPA para um conjunto diversificado de óxidos de metais de transição (TMOs) com estruturas de perovskita, olivina, espinélio, camadas e perovskita em camadas.

Geração de Dados: Um conjunto de dados de $U_{eff}$ , $V$ e $J$ foi gerado usando cálculos cRPA no VASP. O subespaço correlacionado (manifold TM-d) foi definido via projeções de funções de Wannier, e os processos de triagem associados a essas bandas foram excluídos para calcular a interação triada (screened).
Construção de Características (Features): O estudo construiu 12 descritores categorizados em:
- Características da estrutura eletrônica: Largura de banda do TM-d ( $W$ ) e a separação de energia entre os centros das bandas TM-d e O-p ( $D_{d-p}$ ), representando localização e hibridização/triagem, respectivamente.
- Características Atômicas e Composicionais: Número atômico ( $Z_{TM}$ ), grupo ( $G_{TM}$ ), período ( $P_{TM}$ ), contagem média de elétrons d ( $n_d$ ) e estado de oxidação médio ( $n_{ox}$ ).
- Características Estruturais: Contagem de átomos na célula unitária ( $N_{u.c}$ ), contagem de íons TM ( $TM_{u.c}$ ), comprimento de ligação TM-O mais curto ( $d_{TM-O}$ ), volume por fórmula unitária ( $V_{f.u}$ ) e número de grupo espacial ($SG$).
Estratégia de Modelagem: O estudo empregou uma estratégia de abordagem dupla:
- Aprendizado de Conjunto (Ensemble Learning): Modelos de Random Forest (RF), Gradient Boosting Regression (GBR) e Extreme Gradient Boosting (XGB) foram treinados usando Validação Cruzada Leave-One-Out (LOOCV) para identificar características-chave e alcançar alta precisão preditiva.
- Busca de Força Bruta Baseada em Regressão (BFS): Para obter expressões analíticas explícitas, um algoritmo BFS foi aplicado. As principais características selecionadas da análise de conjunto foram transformadas usando 15 funções não lineares (ex: $x, 1/x, e^x, \ln(x+1)$ ) para gerar características prototípicas. Estas foram combinadas multiplicativamente em características compostas para construir modelos de regressão linear (denotados como $mCnF$, onde $m$ é o número de características compostas e $n$ é o número de características primárias).

Resultos Principais

Predição de $U_{eff}$ :
- Modelos de Conjunto: O XGB alcançou o melhor desempenho com um RMSE de 0,148 eV e $R^2$ de 0,899 usando seis características ( $n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$ ). Um subconjunto de quatro características ( $n_{ox}, n_d, N_{u.c}, V_{f.u}$ ) apresentou desempenho quase saturado (RMSE 0,168 eV).
- Expressões Analíticas: O método BFS produziu fórmulas explícitas. Um modelo usando o conjunto motivado fisicamente ( $W, D_{d-p}, n_d, V_{f.u}$ ) alcançou um RMSE de 0,207 eV. A forma analítica derivada (Eq. 3) relaciona diretamente $U_{eff}$ com a localização ( $W$ ) e a hibridização ( $D_{d-p}$ ), mostrando que $U_{eff}$ aumenta com a redução da hibridização (maior $D_{d-p}$ ) e exibe uma dependência não monotônica de $n_d$ .
Predição de Inter-sítio $V$ :
- Modelos de Conjunto: O XGB alcançou um RMSE de 0,062 eV ( $R^2 = 0,784$ ) usando cinco características ( $n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$ ).
- Expressões Analíticas: O melhor modelo BFS (configuração 3C2F) usando o conjunto ( $n_d, N_{u.c}, V_{f.u}, P_{TM}$ ) alcançou um RMSE de 0,071 eV. A fórmula resultante (Eq. 4) indica que $V$ é governado pela compactação estrutural (menor $V_{f.u}$ e maior $N_{u.c}$ aumentam $V$ ) e pela triagem relacionada à hibridização ( $D_{d-p}$ ), enquanto $W$ (localização) desempenha um papel mínimo.
Predição do Acoplamento de Hund $J$ :
- Modelos de Conjunto: $J$ foi predito com precisão excepcional usando descritores mínimos. O XGB alcançou um RMSE de 0,007 eV ( $R^2 = 0,989$ ) usando apenas três características ( $G_{TM}, P_{TM}, SG$ ). Mesmo uma única característica ( $Z_{TM}$ ) rendeu um RMSE de ~0,015 eV.
- Expressões Analíticas: A análise BFS confirmou que $J$ é governado principalmente por características atômicas intrínsecas. O melhor modelo analítico (Eq. 6) depende apenas de descritores elementares ( $G_{TM}$ e $P_{TM}$ ), refletindo a tendência de que $J$ aumenta com a série de TM e diminui com o período, consistente com a preservação das tendências atômicas puras devido à triagem fraca em cRPA.

Significância e Alegações
O artigo afirma fornecer uma abordagem eficiente para prever parâmetros de Hubbard derivados de cRPA, acelerando fluxos de trabalho de DFT+U e DFT+U+V sem depender de ajustes empíricos. Ao combinar aprendizado de conjunto com BFS, o estudo alcança tanto alta precisão preditiva quanto interpretabilidade física.

Os autores enfatizam que sua estrutura oferece insights físicos específicos:

$U_{eff}$ está diretamente ligado à competição entre a localização eletrônica e a hibridização TM-d/O-p.
$V$ é determinado principalmente pela triagem relacionada à hibridização e pela compactação estrutural, em vez da localização orbital.
$J$ é governado quase inteiramente pelas propriedades atômicas intrínsecas do íon de metal de transição, pois a triagem de cRPA é fraca para este parâmetro.

O estudo conclui que esta estrutura de ML informada pela física fornece uma rota prática para identificar relações entre descritores e propriedades em óxidos correlacionados e oferece fórmulas analíticas explícitas que podem ser aplicadas a novos materiais sem a necessidade de acessar os dados de treinamento originais ou cálculos complexos de cRPA.

Mais como este