[論文レビュー] LLM-driven discovery for carbon allotropes with bond-network entropy

Yuzhou Hao, Yujie Liu+5 more|arXiv (Cornell University)|Feb 26, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

論文は、LLMベースの生成モデルと機械学習ポテンシャルを組み合わせた閉ループAIフレームワークを開発し、結合ネットワークエントロピーに導かれて熱力学的に安定な炭素同素体を発見する。いくつかの異端的相が、独自の熱的・機械的・電子的特性を報告する。

ABSTRACT

The discovery of novel carbon allotropes with tailored thermal and mechanical properties is critical for advanced thermal management. However, exploring the vast configurational space of carbon using extit{ab initio} calculations remains computationally prohibitive. Driven by the rich topological landscape of carbon, where the competition between $sp, sp^2,$ and $sp^3$ hybridization states dictates material performance, we establish a closed-loop AI framework to explore this complex configurational space. We introduce a hybridization entropy descriptor to guide the search beyond conventional forms. Here, we establish a closed-loop AI framework that synergizes a Large Language Model (LLM) for structural generation with a Machine Learning Potential (MLP) for accelerated evaluation. Leveraging CrystaLLM to generate candidates and an iteratively refined MLP for high-fidelity validation, we screened thousands of structures to identify several stable allotropes with exotic properties. Specifically, we report ``yne-diamond C$_{12}$'' and ``yne-hex-diamond C$_{8}$'', which exhibit extreme thermal anisotropy and ultralow in-plane shear stiffness arising from their mixed $sp$-$sp^3$ hybridization. Furthermore, we discovered a complex $sp$-$sp^2$-$sp^3$ hybridized C$_{12}$ phase that combines metallic conductivity with an anomalous negative Poisson's ratio. Notably, we identified a superhard phase (C16_3) possessing a calculated Vickers hardness (103.3 GPa) exceeding that of diamond 96 GPa). Microscopic analysis reveals that thermal transport in these materials is governed by the interplay between rigid frameworks and flexible linkers. This work expands the known carbon phase space and demonstrates the efficacy of coupling generative AI with machine learning potentials for the accelerated inverse design of functional materials.

研究の動機と目的

• 従来のsp3ネットワークを超える炭素の巨大な配置可能性空間を探索する必然性を動機付け、特定の熱的および機械的特性を狙う。
• LLMベースの構造生成と迅速・高忠実度のMLP検証を統合したデュアルループ活性学習フレームワークを開発する。
• 逆設計を混成ハイブリダイゼーション炭素ネットワークへ導くハイブリダイゼーションエントロピ Descriptorを導入する。
• 異常な熱・機械特性を持つ安定・高性能な炭素同素体を発見することで、フレームワークを実証する。

提案手法

• CrystaLLMを用いて候補炭素構造（C1–C100）を生成し、動的安定性と初期格子熱伝導度をスクリーニングする。
• 普遍的なNEPベースMLポテンシャルを反復的に訓練・改良し、多様なspハイブリダイゼーション環境でDFTレベルの精度を達成する。
• フォノン計算（Phonopy）、分子動力学シミュレーション（GPUMD/LAMMPS）、ボルツマン輸送方程式解析（HNEMD、3phon/4phon散乱）で安定性と性質を評価する。
• 高不確実性を持つ構成を標的にするアクティブラーニングを適用し、訓練セットを超高圧および混成ハイブリダイゼーション網をカバーするよう拡張する。
• ハイブリダイゼーションシャノンエントロピーを介して構造の複雑さを定量化し、熱輸送および機械的特性と結びつける。
• 電子的性質（絶縁体/半導体/金属）を評価するために、DFTベンチマークと混成機能HSE06のバンド構造と照合して予測を検証する。

実験結果

リサーチクエスチョン

• RQ1 LLM駆動の生成ループは、動的に安定で熱力学的に競争力のある同素体を効率的に探索して得られるのか？
• RQ2 CrystaLLMと能動的に訓練されたNEPベースMLポテンシャルを結合することで、さまざまなspハイブリダイゼーション環境に対してフォノンスペクトル、熱伝導、機械的性質を正確に予測できるのか？
• RQ3 結合ネットワークエントロピーは新規発見の炭素同素体の熱輸送と機械的性能とどのように相関するのか？
• RQ4 異常な特性を持つ新奇の炭素トポロジー（例：混成sp/sp2/sp3ネットワーク）は、超硬度、auxetic性、または高度に異方性な熱伝導などの特性を生み出すのか？
• RQ5 発見された相は実験的合成条件下で熱力学的にアクセス可能なのか？

主な発見

• yne-ダイヤモンC12、yne-ヘックス-ダイヤモンC8、および金属伝導性と auxetic挙動を持つ sp–sp2–sp3混成C12など、いくつかの動的に安定な炭素同素体を同定した。
• Chenモデル枠組み内でダイヤモンドの基準を超えるVickers硬度103.3 GPaの高密度超硬相C16_3を発見した。
• 分離された剛性バックボーンと柔軟なリンクにより、混成ハイブリダイゼーション網で極端な熱異方性と平面内せん断剛性の極低を実証した。
• NEPは sp, sp2, sp3 の結合環境全体でDFTに対して高忠実度を持ち、広範囲の高圧を含む領域でフォノン分散と張力応力を再現する。
• 熱輸送は粒子様フォノンに支配され、四フォノン効果は特定の軸に沿ってのみ関連性を持つことを明らかにした。MFP解析は10–100 nm範囲での主な熱キャリアを示す。
• 発見された相を多次元の特性ランドスケープにマッピングし、構造的複雑さ（ハイブリダイゼーションエントロピー）と格子熱伝導の異方性を結びつけ、結合ネットワークエントロピーを予測デスクリプタとして支持した。