[논문 리뷰] Data-Driven Prediction of Complex Crystal Structures of Dense Lithium

Xiaoyang Wang, Zhenyu Wang외 7명|arXiv (Cornell University)|2023. 02. 08.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 연구는 군집지능 기반의 글로벌 구조 탐색과 기계학습 잠재력(ML potentials)을 융합하여, 192개 원자까지 포함하는 복잡한 리튬 고체 상 4종을 예측하였다. 이들은 융해점 근처(40–60 GPa)에서 알려진 상들과 에너지적으로 경쟁 가능하며, 실험적으로 관측된 상들과 거의 동일한 구리스 자유 에너지를 보인다. mP160, oP192, oP48, tI20 상은 실험 상과 거의 동일한 자유 에너지를 보이며, 고압 및 유한온도 조건에서 새로 관측된 리튬의 결정상으로 강력한 후보군이 된다.

ABSTRACT

Lithium (Li) is a prototypical simple metal at ambient conditions, but exhibits remarkable changes in structural and electronic properties under compression. There has been intense debate about the structure of dense Li, and recent experiments offered fresh evidence for new yet undetermined crystalline phases near the enigmatic melting minimum region in the pressure-temperature phase diagram of Li. Here, we report on an extensive exploration of the energy landscape of Li using an advanced crystal structure search method combined with a machine learning approach, which greatly expands the scale of structure search, leading to the prediction of four complex Li crystal phases containing up to 192 atoms in the unit cell that are energetically competitive with known Li structures. These findings provide a viable solution to the newly observed yet unidentified crystalline phases of Li, and showcase the predictive power of the global structure search method for discovering complex crystal structures in conjunction with accurate machine-learning potentials.

연구 동기 및 목표

• 융해점 근처에서 암흑상과 샘플 열화로 인해 실험 데이터가 모순되는 고밀도 리튬의 결정구조에 대한 오랫동안 지속된 모순을 해결하기 위해.
• 다수의 浅우거진 최소값이 존재하는 고압 및 유한온도 조건에서 리튬의 복잡한 에너지 표면을 탐색하기 위해.
• 강한 상관관계를 가지는 물질에서 복잡한 대규모 격자상의 구조를 발견하기 위해 고급 글로벌 최적화와 기계학습 잠재력의 융합이 예측 능력에 얼마나 효과적인지 입증하기 위해.
• 딥 퍼텐셜 분자동역학를 활용한 열역학적 통합을 통해 구리스 자유 에너지를 계산하여 열역학적으로 일관된 상 안정성 예측을 제공하기 위해.

제안 방법

• 넓은 고압 및 유한온도 조건에서 리튬의 잠재 에너지 표면을 탐색하기 위해 군집지능 기반 글로벌 구조 탐색 알고리즘을 사용하였다.
• 밀도함수이론 데이터에 기반한 딥 러닝 잠재력(DPMD)을 활용하여 최대 192개 원자를 포함하는 대규모 초세포에서 정확하고 효율적인 자유 에너지 계산을 수행하였다.
• 딥 퍼텐셜 분자동역학를 통한 열역학적 통합(TI)을 적용하여, 비선형성 및 핵의 양자 효과를 포함한 고정밀도로 경쟁하는 상의 구리스 자유 에너지를 계산하였다.
• 자기조정된 조화 근사( FD 및 DFPT)와 비선형 보정(TI)을 사용하여 cI16 상에 대한 자유 에너지 차이를 계산하였으며, DP의 불확실성과 통계적 변동성에 기반한 오차 추정도 수행하였다.
• ab initio 계산, 기계학습 잠재력, 통계열역학을 융합한 다스케일 접근법을 통해 P-T 상도에서의 상대적 안정성을 평가하였다.
• 특히 45–70 GPa 범위에서의 급속압축 실험에서의 X선 회절 데이터와 자유 에너지 경향을 비교하여 예측의 타당성을 검증하였다.

실험 결과

연구 질문

• RQ1 실험 데이터에서 회절 피크가 모호한 40–60 GPa 범위에서 고밀도 리튬의 안정한 결정구조는 무엇인가?
• RQ2 유한온도 조건에서 예측된 복잡한 상들(예: oC88 및 cI16)과 비교해 볼 때, 새로운 예측 상들의 구리스 자유 에너지는 어떻게 되는가?
• RQ3 이 압력 범위에서 비선형성 및 핵의 양자 효과는 경쟁하는 리튬 상들의 상대적 안정성에 얼마나 큰 영향을 미치는가?
• RQ4 기계학습 잠재력과 글로벌 최적화의 조합이 리튬과 같은 강한 상관관계를 가지는 금속에서 대규모 격자상의 구조를 신뢰성 있게 예측할 수 있는가?
• RQ5 고밀도 리튬의 에너지 표면에서 관측된 상 공존 및 거의 동일한 자유 에너지 상태의 열역학적 기원은 무엇인가?

주요 결과

• 50 GPa 이하에서는 mP160 상이 가장 유망한 후보로, 50 GPa 및 250 K 조건에서 cI16 상과 액체 상과 거의 동일한 자유 에너지를 보이며, 다른 상들은 동적 불안정성을 보인다.
• 55 GPa 조건에서 oP48 상은 예측된 oP192 상과 실험적으로 관측된 oC88 상보다 열역학적으로 더 안정하며, 약 110 K 이상에서 oC88 상보다 자유 에너지가 낮다.
• 65 GPa 조건에서 oP48 상과 tI20 상은 각각 약 110 K 및 160 K 이상에서 oC88 상보다 자유 에너지가 낮아, 이 지역에서 진정한 기저상일 가능성이 있다.
• 예측된 oP192 상은 오직 55 GPa에서만 동적 안정성을 보이며, oC88 상보다 낮은 자유 에너지를 가지므로 전이 경로에서 일시적 또는 준안정상일 수 있다.
• 50 GPa 및 250 K 조건에서 경쟁하는 상들 간의 자유 에너지 차이는 2 meV/atom 이내로, 매우 평탄한 에너지 표면을 나타내며, 이는 P-T 역사 및 실험 조건에 매우 민감함을 시사한다.
• 융해점 근처의 전체 에너지 표면은 다수의 얕은 국소 최소값으로 구성되어 있으며, mP160, oP48, oP192, tI20 상 등 여러 상들이 몇 meV/atom 이내의 에너지 창고에서 경쟁하고 있어, 실험적으로 상을 명확히 분류하기 어려운 이유를 설명한다.