[논문 리뷰] LLM-driven discovery for carbon allotropes with bond-network entropy

Yuzhou Hao, Yujie Liu외 5명|arXiv (Cornell University)|2026. 02. 26.

Machine Learning in Materials Science인용 수 0

한 줄 요약

본 논문은 LLM 기반 생성 모델과 기계학습 포텐셜을 결합한 폐루프 AI 프레임워크를 개발하여 결합망 엔트로피에 의해 안내되며, 열역학적으로 안정한 탄소 동형체를 발견하고 독특한 열적, 기계적 및 전자적 특성을 가진 여러 이국적인 위상을 보고한다.

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.

연구 동기 및 목표

• 열적 및 기계적 특성을 맞춤화하기 위해 기존의 sp3 네트워크를 넘어서는 탄소의 방대한 구성 공간을 탐구할 필요성을 제시한다.
• LLM 기반 구조 생성과 신속하고 고충실도인 MLP 검증을 통합하는 이중 루프 활성 학습 프레임워크를 개발한다.
• 혼합 하이브리제이션 탄소 네트워크를 목표로 한 역설계에 방향을 제시하는 하이브리제이션 엔트로피 기술자를 도입한다.
• 이 프레임워크를 시연하여 비정상적인 열적 및 기계적 거동을 보이는 안정적이고 고성능의 탄소 동소체를 발견한다.

제안 방법

• CrystaLLM을 사용하여 후보 탄소 구조(C1–C100)를 생성하고 동적 안정성 및 예비 격자 열전도도를 선별한다.
• 다양한 sp 하이브리제이션 환경 전반에서 DFT 수준의 정확도를 달성하기 위해 보편적인 NEP 기반 기계학습 포텐셜(MLP)을 반복적으로 학습하고 정제한다.
• Phonopy(포논 계산), MD 시뮬레이션(GPUMD/LAMMPS), 볼츠만 수송 방정식 분석(HNEMD, 3ph/4ph 산란)을 사용하여 안정성과 특성을 평가한다.
• 고불확실 구성에 활성 학습을 적용하고 트레이닝 세트를 확장하여 초고압 및 혼합 하이브리제이션 네트워크를 다룬다.
• 하이브리제이션 샤넌 엔트로피를 통해 구조적 복잡성을 정량화하고 이를 열 전달 및 기계적 특성과 연결한다.
• DFT 벤치마크와 하이브리드 기능 밴드 구조(HSE06)와 대조하여 예측을 검증하고 전자적 특성(절연체/반도체/금속)을 평가한다.

실험 결과

연구 질문

• RQ1 LLM 구동 생성 루프가 탄소 구성 공간을 효율적으로 탐색하여 동적 안정성과 열역학적으로 경쟁력 있는 동형체를 식별할 수 있는가?
• RQ2 CrystaLLM을 능동적으로 학습된 NEP 기반 ML 포텐셜과 연결하면 다양한 sp 하이브리제이션 환경에서 포논 스펙트럼, 열전도도 및 기계적 특성을 정확하게 예측할 수 있는가?
• RQ3 새로 발견된 탄소 동소체에서 결합 네트워크 엔트로피가 열전달 및 기계적 성능과 어떤 상관관계를 보이는가?
• RQ4 무슨 새로운 탄소 위상(예: 혼합 sp/sp2/sp3 네트워크)이 초극한 특성으로 이어지는가(예: 초단단함, 역탄성성, 고도로 이방성인 열전도)?
• RQ5 발견된 위상들이 실험적 합성 조건에서 열역학적으로 접근 가능한가?

주요 결과

• 다양한 동적으로 안정적인 탄소 동소체를 확인하였으며, 여기에는 ynе-diamond C12, ynе-hex-diamond C8, 금속 전도성과 auxetic 거동을 보이는 sp–sp2–sp3 하이브리드 C12가 포함된다.
• Chen 모델 프레임워크에서 다이아몬드 벤치마크를 넘어서는 계산된 비커스 경도 103.3 GPa를 갖는 고밀도 초강도 위상 C16_3를 발견하였다.
• 강성 백본이 분리되고 유연한 연결체로 인해 혼합 하이브리제이션 네트워크에서 극심한 열 이방성 및 평면 내 전단 강성이 매우 낮음을 시연하였다.
• NEP가 sp, sp2, sp3 결합 환경 전반에 걸쳐 DFT에 높은 정확도로 일반화되며, 포논 분산 및 바이럴 응력을 넓은 범위에서 재현한다(고압 포함).
• 열전달은 입자 형태의 포논이 지배적이며, 4 포논 효과는 특정 축에서만 관련성이 생기고, 평균 자유 경로(MFP) 분석은 10–100 nm 범위에서 지배적인 열 운반자를 시사한다.
• 구조적 복잡성(하이브리제이션 엔트로피)을 격자 열전도도 이방성과 연결하는 다차원 특성 지형에서 발견된 위상을 매핑하고, 결합망 엔트로피를 예측 설명자로 지원한다.