Accelerated Discovery of Materials with Extreme Work Functions through Uncertainty-Aware Multi-Fidelity Screening

Resumo Técnico: Descoberta Acelerada de Materiais com Funções de Trabalho Extremas através de Triagem de Multi-Fidelidade com Consciência de Incerteza

Definição do Problema
A função de trabalho ($\Phi$) é uma propriedade eletrônica crítica que rege a troca de elétrons em interfaces, essencial para tecnologias que variam desde a emissão termiônica e emissão de campo até catálise e eletrônica orgânica. Materiais com funções de trabalho extremas — especificamente valores baixos ($\Phi < 2,5$ eV) para emissão eficiente de elétrons e valores altos ($\Phi > 6,0$ eV) para transporte eficaz de lacunas ou bloqueio de elétrons — são altamente procurados. No entanto, prever funções de trabalho é inerentemente complexo devido à anisotropia cristalográfica, relaxação superficial, reconstrução e influência de adsorvatos. Embora a Teoria do Funcional da Densidade (DFT) seja o padrão para cálculos, ela é computacionalmente dispendiosa para a triagem de alto rendimento de milhões de candidatos. Por outro lado, modelos de Aprendizado de Máquina (ML) existentes, como regressores de Floresta Aleatória (RF), oferecem velocidade, mas frequentemente carecem de quantificação de incerteza confiável e avaliação do domínio de aplicabilidade (DoA), levando a uma confiança potencialmente enganosa em previsões para materiais não vistos ou valores extremos.

Metodologia
Os autores desenvolveram um fluxo de trabalho de triagem de multi-fidelidade escalável, integrando um modelo de ML aumentado com simulações computacionais para triar $\approx$5,5 milhões de compostos das bases de dados GNoME e Alexandria.

1. Modelo de Floresta Aleatória Aumentado:

   • Modelo Base: Construído sobre um modelo RF previamente publicado, treinado em 58.332 funções de trabalho calculadas via DFT sem relaxação.
   • Calibração de Incerteza: As estimativas de incerteza bruta (desvio padrão das previsões das árvores) foram calibradas usando um método de bootstrap calibrado. Este processo escala linearmente a incerteza para garantir que os escores $z$ sigam uma distribuição normal padrão, alinhando as barras de erro previstas com os erros reais observados.
   • Domínio de Aplicabilidade (DoA): Um modelo de Estimativa de Densidade de Kernel (KDE) foi ajustado ao espaço de características do treinamento para quantificar a dissimilaridade de novos candidatos. Um escore de dissimilaridade ($d$) foi calculado; previsões com $d > 0,97$ foram sinalizadas como fora do domínio (OD) e filtradas para evitar erros de extrapolação.

2. Fluxo de Trabalho de Triagem de Multi-Fidelidade:

   • Filtragem Inicial: Dos bancos GNoME e Alexandria, os compostos foram filtrados por elementos não radioativos, estabilidade termodinâmica ($E_{hull} \le 50$ meV/átomo) e caráter metálico (usando uma rede neural de grafos para prever band gaps equivalentes a HSE, excluindo aqueles com $E_{gap} > 0$).
   • Enumeração de Superfícies: Superfícies de baixo índice ((100), (001), (010), (110), (101), (111)) foram enumeradas para $\approx$355.000 compostos volumétricos (bulk), gerando $\approx$11 milhões de terminações superficiais únicas.
   • Triagem por ML: O modelo RF aumentado previu funções de trabalho, incertezas calibradas e escores de DoA. Apenas previsões dentro do domínio (ID) ($d \le 0,97$) foram retidas.
   • Relaxação de Superfície: Aproximadamente 20.000 superfícies de classificação superior (extremamente baixas e altas $\Phi$) passaram por relaxação de geometria usando o Potencial Interatômico de Aprendizado de Máquina Universal (U-MLIP) M3GNet. Esta etapa foi crucial, pois a relaxação superficial altera significativamente os valores da função de trabalho.
   • DFT Direcionada: A validação final de alta fidelidade foi realizada usando DFT (VASP, funcional PBE) nas superfícies relaxadas mais promissoras para confirmar os valores de função de trabalho.

Principais Resultados

• Desempenho do Modelo: O modelo RF aumentado alcançou um $R^2$ de 0,995 e um MAE de 0,032 eV no conjunto de dados completo. A validação cruzada demonstrou forte generalização para materiais não vistos (MAE $\approx$ 0,12 eV), embora a extrapolação para valores fora da distribuição de treinamento (ex: $<2$ eV ou $>10$ eV) tenha permanecido desafiadora sem o filtro de DoA.
• Incerteza e DoA: A calibração melhorou significativamente a consistência estatística das estimativas de incerteza, trazendo o desvio padrão dos escores $z$ de 0,676 para 0,999. O filtro de DoA ($d \le 0,97$) separou com sucesso previsões confiáveis de não confiáveis, reduzindo a área de má calibração e garantindo que os recursos de acompanhamento fossem focados em candidatos de alta confiança.
• Resultados da Triagem: O fluxo de trabalho identificou:
  • 209 superfícies com funções de trabalho extremamente baixas ($\Phi_{DFT} < 2,0$ eV), correspondendo a 136 materiais únicos.
  • 227 superfícies com funções de trabalho extremamente altas ($\Phi_{DFT} > 6,0$ eV), correspondendo a 172 materiais únicos.
• Tendências Químicas:
  • Baixa $\Phi$: Superfícies terminadas por metais alcalinos, metais alcalino-terrosos e lantanídeos exibiram consistentemente baixas funções de trabalho. Notavelmente, terminações ricas em lantanídeos foram fortemente associadas a valores extremamente baixos.
  • Alta $\Phi$: Superfícies contendo semimetais, fósforo, enxofre ou selênio na camada superior correlacionaram-se com funções de trabalho excepcionalmente altas.
  • Importância de Características: A análise SHAP revelou que a eletronegatividade mínima dos elementos da camada superior foi o preditor dominante, seguida pelo número de Mendeleev e pela primeira energia de ionização.

Significância e Alegações
O artigo afirma demonstrar uma estratégia escalável que utiliza ML com consciência de incerteza e esforços computacionais de multi-fidelidade para acelerar a descoberta de materiais com funções de trabalho extremas. Ao integrar calibração de incerteza e avaliação de DoA, os autores fornecem um arcabouço que aumenta a robustez da previsão e filtra extrapolações não confiáveis, o que é crítico para a descoberta autônoma de materiais. O estudo destaca que a relaxação de superfície é um passo não negociável em fluxos de triagem, pois pode deslocar os valores da função de trabalho em centenas de meV. Além disso, o trabalho revela tanto princípios químicos estabelecidos (ex: terminação por alcalinos reduzindo $\Phi$) quanto motivos menos convencionais (ex: superfícies ricas em lantanídeos ou terminadas em fósforo), oferecendo uma base orientada por dados para o design de materiais para aplicações avançadas em eletrônica, conversão de energia e catálise. Os autores enfatizam que, embora o presente estudo tenha focado em compostos metálicos, a metodologia fornece um caminho para trabalhos futuros em semicondutores e isolantes.