← Últimos artigos
🔬 ciência dos materiais

Technical Note on Matlantis PFP v9: Extending the Element and Domain Coverage of the r2SCAN Training Data

O Matlantis PFP v9 estende o potencial de aprendizado de máquina universal treinado com r2SCAN para cobrir 96 elementos (incluindo lantanídeos e actinídeos) e novos domínios como clusters e adsorção, alcançando precisão de nível experimental para energias de formação e erros de adsorção comparáveis ao DFT, enquanto supera significativamente o SevenNet-Omni em velocidade de inferência e tamanho máximo de sistema.

Autor original: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

Publicado 2026-11-19
📖 6 min de leitura🧠 Leitura aprofundada

Autor original: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

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 pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo microscópico dos átomos, os cientistas há muito dependem de uma ferramenta poderosa, porém pesada, chamada teoria do funcional da densidade para prever como a matéria se comporta. Este método calcula as interações entre cada átomo individual em um material com extrema precisão, essencialmente resolvendo as equações da mecânica quântica que regem sua existência. Embora essa abordagem produza resultados que coincidem com experimentos do mundo real, ela é tão computacionalmente exigente que só consegue lidar com sistemas contendo alguns milhares de átomos por um breve momento no tempo. Para estudar estruturas maiores, como um grão de metal ou uma gota de água, ou para observar processos se desenrolando ao longo de períodos mais longos, os pesquisadores precisavam de uma maneira mais rápida de obter quase o mesmo nível de precisão. Essa necessidade deu origem aos potenciais interatômicos de aprendizado de máquina, que são modelos computacionais treinados com os dados dessas calculações pesadas. Uma vez treinados, esses modelos podem prever como os átomos se moverão e interagirão a uma velocidade milhares de vezes superior ao método original, permitindo que os cientistas simulem sistemas com milhões de átomos e explorem vastos novos territórios da ciência dos materiais.

Por anos, esses modelos de aprendizado de máquina eram frequentemente especializados, construídos para lidar apenas com tipos específicos de materiais, como moléculas orgânicas ou cristais simples. Um salto significativo ocorreu com o desenvolvimento do Matlantis PFP, um modelo universal projetado para tratar uma ampla variedade de domínios — desde cristais sólidos até moléculas individuais e camadas superficiais — com um sistema único e unificado. A versão mais recente deste modelo, conhecida como PFP v9, representa uma expansão importante de suas capacidades. Pesquisadores da Preferred Networks e da Matlantis Corporation ensinaram com sucesso este modelo a compreender uma gama muito mais ampla da tabela periódica e arranjos físicos mais complexos. Ao alimentar o modelo com um novo e massivo conjunto de dados calculado com um método altamente preciso chamado r2SCAN, eles permitiram que ele simulasse materiais contendo elementos de terras raras e actinídeos pesados, que eram anteriormente difíceis demais para serem modelados com esta abordagem específica. Eles também adicionaram dados sobre como as moléculas aderem a superfícies e como os átomos se agrupam, preenchendo lacunas que limitavam a utilidade anterior do modelo.

O cerne deste avanço reside nos dados de treinamento. Os pesquisadores geraram um novo conjunto de cálculos de referência usando o funcional r2SCAN, uma abordagem matemática sofisticada que concorda muito bem com os resultados experimentais. Na versão anterior do modelo, este conjunto de dados cobria apenas 70 elementos e omitia famílias inteiras de átomos, como os lantanídeos, que são cruciais para tecnologias como ímãs e baterias. O novo trabalho estendeu essa cobertura para incluir 96 elementos no total, adicionando os lantanídeos de praseodímio a lutécio e elementos pesados de polônio a curio. Para lidar com esses átomos complexos, a equipe fez uma escolha técnica específica em relação ao tratamento de seus elétrons internos. Para os lantanídeos, eles usaram potenciais "duros" que permitem que os elétrons f internos participem das ligações, em vez de mantê-los trancados em um núcleo congelado. Esta decisão foi necessária para descrever com precisão como esses átomos se comportam em diferentes ambientes químicos, uma nuance que havia ficado sem resolução em versões anteriores.

Com o modelo agora treinado neste conjunto de dados expandido e mais diversificado, os pesquisadores testaram sua precisão contra medições do mundo real. Eles observaram as energias de formação de cristais contendo os novos elementos suportados, que é uma medida de quanta energia é liberada ou absorvida quando um material se forma a partir de seus componentes constituintes. Os resultados mostraram que as previsões do modelo para esses novos materiais complexos eram tão precisas quanto suas previsões para os elementos mais antigos e conhecidos. A diferença entre os cálculos do modelo e os valores experimentais foi pequena, com uma média de cerca de 93 milieletronvolts por átomo, um número quase idêntico à taxa de erro para os elementos suportados anteriormente. Isso indica que o modelo aprendeu com sucesso a física desses átomos difíceis de manipular sem perder sua precisão.

A equipe também testou a capacidade do modelo de prever a adsorção, que é o processo pelo qual as moléculas aderem a uma superfície sólida. Esta é uma interação crítica em campos como a catálise, onde superfícies são usadas para acelerar reações químicas. Eles compararam as previsões do modelo sobre o quão fortemente várias moléculas se ligam a superfícies de metais de transição contra um banco de dados de medições experimentais. O modelo apresentou um erro geral comparável ao método da teoria do funcional da densidade padrão usado como referência. No entanto, os pesquisadores notaram uma tendência específica: o modelo superestimou ligeiramente a força da ligação para moléculas que formam ligações químicas fortes com a superfície, enquanto subestimou a força da ligação para aquelas mantidas por forças mais fracas. Apesar disso, a inclusão de uma correção de dispersão, que contabiliza forças atrativas fracas entre átomos, aproximou as previsões para as interações mais fracas da realidade experimental.

Além da precisão, a velocidade prática do modelo é uma característica definidora deste trabalho. Os pesquisadores compararam o PFP v9 com outro modelo público treinado em dados semelhantes, conhecido como SevenNet-Omni, executando ambos no mesmo tipo de processador gráfico de alto desempenho. Os resultados foram impressionantes. O novo modelo podia lidar com sistemas contendo cinco a dez vezes mais átomos do que o concorrente antes de esgotar a memória. Além disso, ao calcular as forças que impulsionam o movimento atômico, o novo modelo foi três a quatro vezes mais rápido. Para um sistema de água líquida, por exemplo, o modelo podia simular um aglomerado de quase 118.000 átomos, enquanto o outro modelo conseguia gerenciar apenas cerca de 12.000 antes de atingir o limite de memória. Este salto na eficiência significa que os cientistas agora podem simular sistemas muito maiores e mais complexos, como ligas de terras raras ou compostos de actinídeos, com uma velocidade que era anteriormente impossível para este nível de precisão.

Os autores concluem que esta expansão torna o modelo uma ferramenta versátil para uma ampla gama de desafios científicos, desde o design de novos materiais para armazenamento de energia até a compreensão do comportamento de combustíveis nucleares. No entanto, eles são claros sobre os limites do que o modelo pode fazer atualmente. Embora se destaque ao descrever átomos em seus estados padrão e em superfícies limpas, ele ainda enfrenta dificuldades com certos cenários complexos, como materiais com correlações magnéticas fortes ou sistemas envolvendo cargas elétricas de longo alcance. O modelo ainda não contabiliza os efeitos de campos elétricos ou o comportamento de defeitos carregados de uma forma que permitiria simular eletrólitos ou interfaces eletrizadas. Estas permanecem áreas para desenvolvimento futuro. Por enquanto, o trabalho representa um passo significativo à frente, fornecendo uma maneira confiável e rápida de explorar as propriedades de uma vasta parcela da tabela periódica que estava anteriormente fora do alcance de modelos de aprendizado de máquina universais.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →