Density functional perturbation theory of meta-generalized gradient approximations using algorithmic differentiation

Para entender como os materiais se comportam, desde o silício em um chip de computador até a cerâmica em um motor de jato, os cientistas dependem de um poderoso conjunto de regras chamado teoria do funcional da densidade. Esta estrutura permite que pesquisadores prevejam as propriedades físicas e químicas da matéria ao observar como os elétrons se organizam ao redor dos núcleos atômicos. Por décadas, um método específico dentro desta estrutura tem sido o padrão ouro para descobrir como os materiais reagem quando você os pressiona, puxa ou aquece. Este método, conhecido como teoria de perturbação do funcional da densidade, calcula essas reações com alta precisão, revelando tudo, desde como um cristal vibra até como ele conduz eletricidade. No entanto, à medida que os cientistas buscavam previsões mais precisas, eles esbarraram em um muro. As fórmulas mais avançadas disponíveis hoje, que oferecem uma imagem mais nítida da realidade, são incrivelmente difíceis de usar com este método de cálculo de reações. A matemática necessária para fazê-las funcionar é tão emaranhada que a maioria dos programas de computador simplesmente não consegue lidar com elas, deixando os pesquisadores presos a ferramentas menos precisas ou forçados a realizar cálculos lentos e desajeitados para realizar o trabalho.

Uma equipe de pesquisadores da École Polytechnique Fédérale de Lausanne encontrou uma maneira de romper essa barreira. Eles desenvolveram uma nova abordagem que permite que essas fórmulas avançadas e de alta precisão sejam usadas perfeitamente dentro da estrutura de cálculo de reações. Ao usar uma técnica chamada diferenciação algorítmica, que essencialmente ensina o computador a calcular suas próprias derivadas passo a passo, eles contornaram a necessidade de humanos derivarem manualmente expressões matemáticas complexas para cada nova fórmula. Esta inovação significa que os cientistas agora podem computar instantaneamente como os materiais respondem a forças externas usando os modelos mais sofisticados disponíveis. Os pesquisadores testaram seu método em dois materiais importantes, o óxido de zinco e o titanato de bário, e descobriram que sua nova abordagem produziu resultados significativamente mais próximos da realidade experimental do que os métodos anteriores. Além disso, demonstraram que esta ferramenta pode ser usada para treinar modelos de inteligência artificial para criar fórmulas ainda melhores, uma tarefa que anteriormente era difícil demais para ser tentada.

O cerne desta conquista reside em como os pesquisadores lidaram com a "densidade de energia cinética", uma informação específica sobre a rapidez com que os elétrons se movem dentro de um material. Nas fórmulas mais avançadas, a energia do sistema depende não apenas de quantos elétrons estão em um determinado local, mas também desta densidade de energia cinética. Embora este detalhe extra torne as fórmulas muito mais precisas, também torna a matemática para calcular as reações incrivelmente confusa. Tradicionalmente, para usar essas fórmulas, um pesquisador teria que sentar-se e escrever um conjunto único e complicado de equações para cada nova fórmula que quisesse testar. Esse processo é lento, propenso a erros humanos e impediu que muitas dessas fórmulas avançadas fossem usadas em simulações de computador padrão. O novo método evita todo esse problema. Em vez de pedir a um humano para escrever as equações confusas, os pesquisadores deixaram o computador fazer o trabalho. Eles trataram o cálculo dessas reações como uma série de etapas pequenas e gerenciáveis que o computador poderia diferenciar automaticamente.

Imagine tentar encontrar a inclinação de uma estrada muito complexa e sinuosa. No passado, você teria que parar e calcular manualmente a inclinação para cada curva e volta usando uma regra específica para aquela forma exata. O novo método é como ter um carro que pode medir sua própria inclinação instantaneamente enquanto dirige, sem precisar de um mapa pré-escrito da forma da estrada. Os pesquisadores aplicaram este conceito ao mundo dos elétrons. Eles construíram um sistema onde o computador calcula como a densidade eletrônica muda em resposta a uma perturbação, como esticar o material ou aplicar um campo elétrico, diferenciando automaticamente o código subjacente. Isso permitiu que eles estendessem seu software para lidar com as fórmulas avançadas que dependem da densidade de energia cinética, um feito que esteve amplamente fora do alcance das simulações de computador padrão.

Para provar que seu método funcionava, a equipe o aplicou a dois materiais do mundo real: o óxido de zinco, usado em eletrônicos e dispositivos piezoelétricos, e o titanato de bário, um clássico material ferroelétrico usado em capacitores. Eles calcularam uma ampla gama de propriedades, incluindo como os materiais são rígidos, como geram eletricidade quando comprimidos e como interagem com campos elétricos. Eles compararam seus resultados tanto com dados experimentais quanto com cálculos de fórmulas mais antigas e menos precisas. As descobertas foram claras: o novo método, usando as fórmulas avançadas, superou consistentemente as abordagens mais antigas. Para o óxido de zinco, os novos cálculos previram o tamanho e a rigidez do material com um erro de menos de um por cento em comparação com as medições do mundo real, enquanto os métodos mais antigos estavam errados por um a dois por cento. Da mesma forma, para o titanato de bário, a nova abordagem forneceu uma imagem muito mais precisa de como a estrutura interna do material se desloca e como ele responde a campos elétricos, combinando com os resultados de técnicas de simulação ainda mais complexas e caras.

Além de simplesmente calcular propriedades, os pesquisadores mostraram que esta ferramenta poderia ser usada para ensinar computadores a inventar fórmulas melhores. Eles usaram seu sistema para treinar uma pequena rede neural artificial para atuar como um novo funcional de troca-correlação, que é o coração matemático da simulação. O objetivo era fazer com que esta nova fórmula imitasse os resultados de um método altamente preciso, mas computacionalmente caro, conhecido como hybrid-DFT. Os pesquisadores alimentaram o sistema com dados do silício, um material fundamental para a indústria eletrônica. Eles descobriram que, quando o sistema era treinado apenas com dados de energia, ele tinha dificuldade em prever o comportamento do silício sob diferentes condições. No entanto, quando treinaram o sistema usando a densidade real dos elétrons e também a energia, os resultados melhoraram dramaticamente. O modelo treinado pôde prever com precisão o comportamento do silício em uma fase de alta pressão que ele nunca havia visto antes, demonstrando que aprender com a densidade eletrônica torna as fórmulas resultantes muito mais confiáveis e transferíveis para novas situações.

Este trabalho representa um passo significativo para a capacidade de simular materiais com alta precisão. Ao remover o gargalo manual que impedia o uso de fórmulas avançadas, os pesquisadores abriram as portas para previsões mais precisas das propriedades dos materiais. Isso é crucial para projetar novos materiais para armazenamento de energia, eletrônicos e outras tecnologias onde pequenas diferenças de desempenho importam. A capacidade de computar essas reações de forma rápida e precisa significa que os cientistas agora podem explorar uma gama mais ampla de materiais e testar modelos mais complexos sem serem limitados por limitações computacionais. Embora a implementação atual dependa de um tipo específico de cálculo que limita o número de parâmetros que podem ser manipulados de uma só vez, o sucesso desta abordagem sugere que desenvolvimentos futuros podem levar a ferramentas ainda mais poderosas. Os pesquisadores disponibilizaram seu código e dados ao público, convidando outros a construir sobre este fundamento e a refinar ainda mais a maneira como entendemos e projetamos os materiais do futuro.