[논문 리뷰] Predicting emergence of crystals from amorphous matter with deep learning

Muratahan Aykol, Amil Merchant외 3명|arXiv (Cornell University)|2023. 10. 02.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 일반적인 딥러닝 포텐셜을 사용하여 국소 원자 구조 모티프를 모델링함으로써 비정질 원료에서 유래하는 고체 상의 비정상적인 결정 상을 예측하는 딥러닝 프레임워크를 소개한다. 다양한 무기계에서 핵형성 경로를 높은 정확도로 식별함으로써 오스트발트의 단계법칙의 메커니즘적 적용을 통해 새로운 비정상적 재료에 예측 가능하게 접근할 수 있다.

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.

연구 동기 및 목표

• 무기 재료에서 비정질 원료에서 유래하는 결정 상을 예측하기 위해.
• 복잡한 결정화 경로를 시뮬레이션하는 데 있어 전통적인 분자 동역학 및 아비시노 메서드의 한계를 극복하기 위해.
• 국소 구조 모티프 분석을 통한 비정상적 다형체에의 예측 가능한 접근 프레임워크를 수립하기 위해.
• 원자 척도에서 오스트발트의 단계법칙의 기계적 기반을 딥러닝 포텐셜을 통해 포착하는 데 응용 가능성을 입증하기 위해.

제안 방법

• 다양한 원자 구조에 대해 훈련된 일반적인 딥러닝 포텐셜을 사용하여 원자 척도에서 에너지와 힘을 모델링하는 방법을 채택한다.
• 비정질 상에서 추출한 국소 구조 모티프를 사용하여 그들의 결정화 경로를 예측한다.
• 비정질에서 결정성 상태로의 구조 전이를 탐색함으로써 다수의 결정화 경로를 샘플링한다.
• 가장 가능성이 높은 핵형성 경로를 식별하기 위해 국소 원자 환경의 안정성 개념을 활용한다.
• 산화물, 질화물, 카바이드, 플루오라이드, 염화물, 셀레니드 및 금속 합금을 포함한 광범위한 재료에서 검증한다.
• 오스트발트의 단계법칙은 최종 결정 구조 이전에 낮은 에너지의 중간 상을 식별함으로써 메커니즘적으로 적용된다.

실험 결과

연구 질문

• RQ1 무기 재료에서 주어진 비정질 원료에서 가장 가능성이 높은 결정 상은 무엇인가?
• RQ2 딥러닝 포텐셜은 비정질에서 결정성으로의 전이 과정에서 비정상적인 다형체의 순서를 정확하게 예측할 수 있는가?
• RQ3 국소 원자 구조 모티프는 비정질 상에서 형성되는 최종 결정 다형체를 어느 정도 정확하게 예측할 수 있는가?
• RQ4 오스트발트의 단계법칙은 원자 척도에서 체계적으로 어떻게 적용되어 재료 합성을 안내할 수 있는가?
• RQ5 이 프레임워크는 복잡한 산화물과 인터메타리크 합금을 포함한 다양한 화학 체계로 일반화될 수 있는가?

주요 결과

• 모델은 산화물, 질화물, 카바이드, 셀레니드를 포함한 광범위한 무기 재료에서 다형체의 초기 핵형성 상을 정확하게 예측한다.
• 복잡한 시스템에서 다수의 가능한 다형체가 존재하더라도, 이 프레임워크는 비정질 원료에서 유래하는 비정상적 결정 상을 성공적으로 식별한다.
• 오스트발트의 단계법칙과 일치하는 단계 전이 순서를 높은 정확도로 포착함을 보여준다.
• 딥러닝 포텐셜은 아비시노 방법으로는 계산적으로 비현실적인 복잡한 결정화 경로의 효율적이고 신뢰할 수 있는 샘플링을 가능하게 한다.
• 비정질 상의 국소 구조 모티프가 유도되는 결정 다형체를 강력하게 예측할 수 있음이 입증되었다.
• 가장 가능성이 높은 핵형성 경로를 예측함으로써 특정 비정상적 다형체에 도달하기 위한 합성 프로토콜의 타겟 설계를 가능하게 한다.