De diffusie-gedreven overgang van orthorombisch naar tetragonaal in YBa2Cu3O7 afgeleid met een machine learning interatomair potentiaal

Waarom kleine verschuivingen van atomen ertoe doen

Supergeleidende draden die enorme elektrische stromen met vrijwel geen verlies kunnen transporteren, zijn cruciaal voor toekomstige fusie- reactoren en krachtige deeltjesversnellers. Een van de meest veelbelovende materialen voor deze draden is een koperoxideverbinding genaamd YBCO. Maar YBCO bevat veel atomaire defecten die de prestatie kunnen verzwakken, vooral onder straling en hoge temperaturen. Deze studie laat zien hoe een nieuw soort computermodel die defecten in detail kan volgen en een subtiele vormverandering van het kristal verklaart die optreedt naarmate de temperatuur stijgt.

Een kristal gebruikt in hightech magneten

YBCO behoort tot een familie van hogetemperatuursupergeleiders die worden gebruikt in geavanceerde tapes voor compacte fusie-apparaten en accelerator-magneten. De nuttige eigenschappen hangen sterk af van hoe zuurstofatomen in het kristal zijn gerangschikt. Als te veel zuurstofatomen ontbreken of verkeerd geplaatst zijn, kan het materiaal overschakelen van een goede supergeleider naar zich gedragen als een gewoon metaal of zelfs als een isolator. Straling, zoals in een fusie- reactor, kan atomen uit hun positie slaan en zulke defecten creëren. Experimenten suggereren dat simpelweg het verwarmen van bestraalde monsters een deel van de schade kan herstellen, wat erop wijst dat zuurstofatomen mobiel genoeg zijn om terug te bewegen naar gunstiger posities.

Een computer leren atomaire krachten te voelen

Om deze atomaire herschikkingen te begrijpen, bouwden de auteurs een machine learning-model van hoe de atomen in YBCO met elkaar interageren. In plaats van te vertrouwen op eenvoudige, vaste formules voor de krachten tussen atomen, trainden ze een “interatomair potentiaal” met behulp van duizenden gedetailleerde kwantummechanische berekeningen. De trainingsdata omvatten perfecte kristallen, structuren uitgerekt of samengedrukt op verschillende manieren, en veel configuraties met vacaturen, extra atomen ingepast in het rooster en sterk gedesordeerde gebieden. Deze breedte stelt het model in staat zowel rustige als chaotische omgevingen te herkennen die ontstaan wanneer zuurstofatomen bewegen.

Het model op de proef stellen

Het team controleerde of hun machine learning-potentiaal basiskenmerken van YBCO kon reproduceren, zoals hoe de energie verandert wanneer het kristal wordt samengedrukt of uitgerekt en hoe de afstanden tussen atomen reageren. Ze onderzochten ook specifieke zuurstofdefecten waarbij één zuurstofatoom zijn normale plaats verlaat en een tussenliggende positie inneemt, waarmee een zogeheten Frenkel-paar ontstaat. Deze bewegingen gaan gepaard met een energieprijs en een barrière die genomen moet worden. Het nieuwe model kwam beter overeen met veeleisende kwantumberekeningen voor deze grootheden dan eerdere empirische modellen, vooral voor de energiebarrrières die bepalen hoe gemakkelijk zuurstof kan diffunderen.

Een subtiele vormverandering volgen bij verwarming

Gewapend met dit nauwkeurige model voerden de onderzoekers lange moleculaire dynamica-simulaties uit van grote kristallen terwijl ze werden verwarmd van enkele honderden tot meer dan duizend graden Kelvin. Bij lage temperatuur heeft het kristal een licht rechthoekig grondvlak: zuurstofketens lopen langs één in-vlak richting, wat een „orthorombische” vorm geeft. Naarmate de temperatuur stijgt, springen zuurstofatomen van deze ketens naar aangrenzende sites tussen de ketens. Dit breekt geleidelijk de lange rechte ketens op en verwijdert de voorkeursrichting in het vlak. Rond 800 Kelvin in de simulaties wordt het kristal bijna vierkant in dwarsdoorsnede, een „tetragonale” vorm, wat echo’s van experimentele waarnemingen op iets hogere temperaturen weerspiegelt.

Wanorde, entropie en waarom de verandering plaatsvindt

Door bij te houden hoe vaak zuurstofatomen springen en hoe de energiekost van Frenkel-paren verandert wanneer het rooster uitzet, tonen de auteurs aan dat de overgang niet puur door energiebesparing wordt gedreven. Bij temperaturen nabij de overgang kost het vormen van deze defecten nog steeds energie, maar het groeiende aantal manieren om de zuurstofatomen te rangschikken vergroot de entropie van het systeem, wat wanorde bevoordeelt. Deze entropische aandrijving, geholpen door een bescheiden daling van de defectenergie bij grotere volumes, duwt het kristal van een geordende ketenstaat naar een meer gedesordeerde maar symmetrische toestand. Het model suggereert ook dat kleine hoeveelheden ontbrekende zuurstof de overgang iets versnellen, in overeenstemming met experimentele aanwijzingen.

Wat dit betekent voor toekomstige supergeleidende apparaten

Voor niet-specialisten is de kernboodschap dat een zorgvuldig getraind machine learning-model nu de dans van zuurstofatomen in een complex supergeleidend materiaal kan volgen en kan uitleggen hoe hun beweging het kristal bij hoge temperatuur hervormt. Deze mogelijkheid opent de deur naar realistische, grootschalige simulaties van hoe YBCO reageert op straling en hitte in werkende magneten, en hoe verwarmingsbehandelingen zijn prestaties kunnen herstellen. Breder laat het werk zien dat machine learning oxiden met meerdere elementen en ingewikkelde chemie aankan, en zo een nieuw instrument biedt om geavanceerde supergeleidende materialen te ontwerpen en te beschermen.

Bronvermelding: Gambino, D., Di Eugenio, N., Byggmästar, J. et al. The diffusion-driven orthorhombic to tetragonal transition in YBa₂Cu₃O₇ derived with a machine learning interatomic potential. npj Quantum Mater. 11, 41 (2026). https://doi.org/10.1038/s41535-026-00891-7

Trefwoorden: YBCO, zuurstofdiffusie, machine learning potentiaal, supergeleiders, faseovergang