Rapid estimation of synthesizability windows of inorganic materials from first principles

本文提出了一种高通量方法，该方法结合机器学习原子间势与拟合参考能量，快速生成温度和压力依赖的相优势图，从而在克服传统基于密度泛函理论（DFT）的声子计算计算局限性的同时，实现对无机材料可合成性窗口的有效估算。

要点

想象你是一位试图烤制完美蛋糕的厨师。你有一份食谱（化学式），但你不知道正确的烤箱温度，也不知道厨房中应保持多少湿度。如果烤箱太热，蛋糕会烤焦；如果太冷，蛋糕则永远无法膨胀。在材料科学的世界里，科学家就是厨师，而“无机材料”（如金属、氧化物和硫化物）就是蛋糕。

长期以来，科学家们拥有一种方法可以预测某种蛋糕“是否可能”存在，但前提是他们必须在绝对零度（0 开尔文）下，在一个完美且冻结的世界中进行烘焙。这就像检查食材是否能在没有任何热量的情况下物理地装入一个盒子。然而，现实生活并非冻结状态。真实的合成过程发生在炎热、加压的烤箱中，周围有气体流动。旧的“冻结世界”图谱往往无法告诉科学家实际制造该材料所需的正确温度或气体压力。

问题：“冻结的地图”与“真实的厨房”
本文指出，旧方法就像使用冬季的城市地图在夏季导航。它忽略了融化的雪和畅通的道路。计算“夏季地图”（即材料在高温下的行为）曾经极其缓慢且昂贵，就像试图模拟烤箱中每一个分子的舞蹈。这需要巨大的计算能力，以至于科学家无法同时对成千上万种材料进行计算。

解决方案：一种新的、快速的材料“天气预报”
作者开发了一种新的快速工作流，以创建“可合成性窗口”。这就像为你的材料提供一份动态的天气预报。它不再仅仅说“这种蛋糕存在”，而是告诉你：“要烤制这种蛋糕，你需要一个 500°C 的烤箱，并配合特定量的氧气。”

他们通过结合三种工具实现了这一点：

1. 蓝图（DFT）：他们使用标准的计算机模型来获取材料的基本结构。
2. 修正（FERE）：他们意识到他们的蓝图略有偏差，就像一份总是要求过多盐的食谱。他们添加了一个“调节旋钮”（称为拟合元素相参考能量），以调整数值，使其与真实世界的实验结果更加吻合。
3. 加速者（MLIP）：这是魔法所在。他们不再以缓慢的传统方式计算原子的热量和运动，而是使用了“机器学习原子间势”（MLIP）。想象这是一个超级智能的 AI，它观察了数百万个原子的舞蹈，能够瞬间预测它们在高温下将如何运动和振动。这一步骤过去需要数天，现在仅需几分钟。

他们的发现
他们在四族材料上测试了这种新方法：氧化物（类似铁锈）、氮化物、硫化物和磷化物。他们还将该方法应用于一个庞大而复杂的 48 种不同“金属磷硫化物”体系（可以将这些想象为复杂的多层蛋糕）。

以下是他们“厨房实验”的关键要点：

• 亚稳态材料重获生机：一些在冻结的 0 开尔文图谱中看起来“死亡”或不可能存在的材料，在加入热量后实际上会“活”过来。例如，一种名为Cu3P的材料在旧图谱中看起来不稳定，但新的“天气预报”显示，它在特定的温度和压力窗口下能够茁壮成长。这解释了为什么化学家多年来能够在实验室中制造出它，尽管旧的计算表明他们本不应该能够成功。
• “假阴性”问题：有时，新地图显示某种材料是稳定的，但旧的实验记录中并未列出它。作者认为，这可能是因为科学家们多年来一直试图通过棘手、非标准的方法强行让不稳定的材料存在。新地图表明，那些“容易”制造的材料，实际上才是拥有自然稳定窗口的材料。
• 相变：该方法可以预测材料在受热时会何时改变其“形状”（多晶型）。例如，一种材料在低温下可能是方形的，但在高温下会变成矩形。新图谱精确地显示了这种转变何时发生。
• 速度与规模：他们为超过 1,000 种不同的化合物生成了这些详细图谱。由于 MLIP 工具如此快速，他们几乎可以为任何无机材料做到这一点，而无需等待数周让计算机完成计算。

核心结论
本文提出了一种新的、快速且准确的方法，能够明确告知实验科学家如何“烹饪”他们的材料。通过将复杂的计算机能量计算转化为简单的“温度与气体压力”图谱，他们弥合了理论预测与实际实验室工作台之间的差距。它将一个猜测与试错的过程转变为一份有指导的食谱，帮助科学家更快发现和创造新材料。

技术摘要

技术摘要：基于第一性原理快速估算无机材料的可合成性窗口

问题陈述
预测无机材料的可合成条件仍然是一个重大挑战，即使假设处于热力学平衡状态。传统方法仅依赖零温度凸稳定壳（$E_h$），未能考虑有限温度效应，如振动熵和热容，而这些对于真实的合成条件至关重要。相反，精确的有限温度相图计算通常需要进行基于密度泛函理论（DFT）的计算成本高昂的声子计算，以及针对构型熵的大量采样。这些方法对于高通量筛选而言往往过于缓慢。此外，现有的基于文本挖掘合成配方或启发式描述符的机器学习（ML）方法，往往存在泛化能力有限和倾向于高估合成可能性的问题。因此，亟需一种基于物理的高通量工作流程，能够在不付出全 DFT 声子计算的 prohibitive 成本的前提下，弥合计算预测与实验合成参数（温度和气体分压）之间的差距。

方法论
作者提出了一种加速工作流程，用于生成作为温度和气体反应物分压函数的相优势图。该方法整合了三个主要组成部分：

1. 形成焓校正（FERE）： 零温度总能量使用 DFT（PBEsol 泛函）计算。为了提高准确性，作者采用了拟合元素相参考能量（FERE）方法。这涉及对元素参考相能量进行校正拟合，以最小化特定数据集（氧化物、硫化物和磷族化合物）中计算值与实验测量形成焓（$\Delta H_f$）之间的差异。
2. 通过 MLIPs 快速获取振动性质： 为了避免进行昂贵的 DFT 声子计算，该工作流程利用 MatterSim 机器学习原子间势（MLIP）基础模型。该模型用于快速计算声子能带结构和态密度（DOS），以获得振动熵（$S$）和热容（$C_p$）。作者指出，尽管 MLIPs 是半经验的，但与显式 DFT 计算相比，它们在振动熵和热容方面的平均绝对误差（MAE）分别仅为 15 J/(mol·K) 和 3 J/(mol·K)。
3. 热力学积分： 计算得到的 $\Delta H_f$、$S$ 和 $C_p$ 通过标准热化学关系（借助 HSC Chemistry 软件）进行积分，以计算吉布斯自由能（$\Delta G$）随温度和气体分压（$p_{O_2}, p_{N_2}, p_{S_2}, p_{P_2}$）的变化。由此生成的相优势图可识别任意给定坐标点处的热力学稳定相。

关键结果
该研究在二元和三元体系中验证了该工作流程：

• 二元系统（氧化物、氮化物、硫化物、磷化物）： 该方法在 V-O、Ta-N、Sn-S 和 Cu-P 体系中进行了测试。
  • 准确性： 经过 FERE 校正后，形成焓的 MAE 显著降低（例如，氧化物的 MAE 从 0.236 eV/atom 降至 0.069 eV/atom）。在约 1500 K 以下的温度下，MLIP 计算的熵和热容误差与形成焓误差相比可忽略不计。
  • 与实验对比： 预测的相边界与实验热化学数据及报道的合成条件吻合良好。相边界温度的平均绝对误差为 270 K。
  • 亚稳态： 该方法成功识别了在 0 K 下表现为亚稳态化合物的稳定性窗口（例如 $V_3O_5$、$V_6O_{11}$、$Cu_3P$），证明了有限温度效应可以使材料在凸稳定壳之上稳定存在。
• 三元系统（金属磷硫化物）： 该工作流程被扩展到 48 个不同的金属磷硫化物三元体系，涵盖了 1000 多种三元化合物和约 450 种二元化合物。
  • 高通量能力： 计算成本大幅降低，每种材料仅需约 30 核心分钟进行 DFT 弛豫，约 5 核心分钟进行 MLIP 声子计算。
  • 新发现： 该方法识别出 19 种位于 0 K 稳定壳上的新材料。它还预测了亚稳态化合物（例如 $HfP_2S_6$）的热力学稳定性窗口，并识别了多晶型之间的温度驱动相变（例如在 $GaPS_4$、$Li_3PS_4$ 和 $Na_2PS_3$ 中）。
  • 验证： 对于 Sn-P-S 体系，预测的 $SnP_2S_6$ 和 $SnPS_3$ 的稳定性窗口与文献中的合成条件惊人地一致。

意义与主张
本文声称展示了一种基于物理的工作流程，能够高通量地生成有序无机材料的相优势图。其主要意义在于：

1. 弥合差距： 将计算能量（通常位于稳定壳之上）转化为直观的、与实验相关的合成条件（温度与分压）。
2. 效率： 通过利用 MLIPs 规避 DFT 声子计算的瓶颈，MLIPs 在不牺牲相图整体预测能力的前提下，提供了足够的熵和热容精度。
3. 预测能力： 表明仅靠零温度稳定性指标是不够的；有限温度建模对于正确识别可合成化合物（包括那些在 0 K 下亚稳的化合物）至关重要。
4. 可扩展性： 证明了该方法适用于具有两种气相反应物的复杂多组分体系（三元磷硫化物），促进了计算识别材料的发现与合成。

作者总结道，这种方法促进了理论家与实验家之间的沟通，并支持用于材料发现的闭环自主实验室，同时指出未来的工作可以纳入构型熵、缺陷和动力学效应。