[論文レビュー] Predicting emergence of crystals from amorphous matter with deep learning

Muratahan Aykol, Amil Merchant+3 more|arXiv (Cornell University)|Oct 2, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本論文は、普遍的なディープラーニングポテンシャルを用いて局所的原子構造モチーフをモデル化することで、アモルファス前駆体から生成する力学的に不安定な結晶相を予測するディープラーニングフレームワークを紹介する。広範な無機系材料において、核化経路の高精度な同定を達成し、オストワルドの段階則のメカニズム的応用により、新たな力学的不安定材料への予測的アクセスを可能にする。

ABSTRACT

Crystallization of the amorphous phases into metastable crystals plays a fundamental role in the formation of new matter, from geological to biological processes in nature to synthesis and development of new materials in the laboratory. Predicting the outcome of such phase transitions reliably would enable new research directions in these areas, but has remained beyond reach with molecular modeling or ab-initio methods. Here, we show that crystallization products of amorphous phases can be predicted in any inorganic chemistry by sampling the crystallization pathways of their local structural motifs at the atomistic level using universal deep learning potentials. We show that this approach identifies the crystal structures of polymorphs that initially nucleate from amorphous precursors with high accuracy across a diverse set of material systems, including polymorphic oxides, nitrides, carbides, fluorides, chlorides, chalcogenides, and metal alloys. Our results demonstrate that Ostwald's rule of stages can be exploited mechanistically at the molecular level to predictably access new metastable crystals from the amorphous phase in material synthesis.

研究の動機と目的

• 無機材料におけるアモルファス前駆体から生成する結晶相を予測すること。
• 複雑な結晶化経路のシミュレーションにおいて、従来の分子動力学法およびab initio手法の限界を克服すること。
• 局所的構造モチーフ解析を用いて力学的不安定多形への予測的フレームワークを確立すること。
• 原子スケールでのオストワルドの段階則のメカニズム的基盤を、ディープラーニングポテンシャルを用いて実証すること。

提案手法

• 多様な原子配置で訓練された普遍的ディープラーニングポテンシャルを用いて、原子スケールでのエネルギーと力のモデル化を行う。
• アモルファス相から抽出した局所的構造モチーフを入力として、結晶化経路の予測に用いる。
• アモルファス状態から結晶状態への構造的変化を探索することで、複数の結晶化経路をサンプリングする。
• 局所的原子環境の安定性の概念を活用して、最も確率の高い核化経路を同定する。
• 酸化物、窒化物、カーバイド、ハロイド、硫属化物、金属合金を含む広範な材料系において、手法の妥当性を検証する。
• オストワルドの段階則は、最終的な結晶構造に先行する低エネルギーの中間相を同定することで、機械的・体系的に適用される。

実験結果

リサーチクエスチョン

• RQ1 与えられたアモルファス前駆体から無機材料で最も核化しやすい結晶相は何か？
• RQ2 ディープラーニングポテンシャルは、アモルファスから結晶への移行における力学的不安定相の順序を正確に予測できるか？
• RQ3 局所的原子構造モチーフは、アモルファス相から生成する最終結晶多形をどの程度まで予測できるか？
• RQ4 オストワルドの段階則を原子スケールで体系的に応用し、材料合成をガイドするにはどうすればよいか？
• RQ5 このフレームワークは、複雑な酸化物や金属間化合物を含む多様な化学系に一般化可能か？

主な発見

• 本モデルは、酸化物、窒化物、カーバイド、硫属化物を含む広範な無機材料において、多形の初期核化相を高精度に予測した。
• フレームワークは、複数の可能な多形が存在する複雑な系でさえも、アモルファス前駆体から生成する力学的不安定結晶構造を効果的に同定した。
• 本手法は、オストワルドの段階則に一致する相転移の順序を高い精度で捉えることに成功した。
• ディープラーニングポテンシャルは、ab initio手法では計算的に困難な結晶化経路の効率的かつ信頼性の高いサンプリングを可能にした。
• 局所的原子構造モチーフが、生成する結晶多形を強く予測する要因であることが明らかになった。
• 本フレームワークにより、最も確率の高い核化経路を予測することで、特定の力学的不安定多形に到達するための合成プロトコルの標的設計が可能になった。