北京大学的唐滨泽、卢骏熙、梁天成、洪佳妮、秦勉、宋一智、曹端云、江颖、徐莉梅等研究人员，于2025年12月11日在《Physical Review X》期刊上发表了题为《Unveiling the amorphous ice layer during premelting using AFM integrating machine learning》的研究论文。这项研究隶属于凝聚态物理、化学物理及纳米物理交叉领域，旨在解决长期以来对冰预融化（premelting）过程在原子层面理解不足的难题。预融化是指晶体表面在远低于熔点的温度下形成薄层类液态层的普遍界面现象，对材料力学、摩擦学、大气化学、冷冻保存等众多领域具有深远影响。然而，由于传统表面表征技术在空间分辨率和探测深度上的局限性，尤其是对于无序、非周期性界面的三维原子结构解析能力不足，预熔化的初始机制和详细结构演变一直未被阐明。本研究的目标是开发一种能够从原子力显微镜（AFM）图像中直接、精确重构无序界面三维原子结构的通用方法，并将其应用于冰预熔化这一经典体系，以期获得原子尺度的新发现。

为了实现这一目标，研究团队设计并构建了一个创新的机器学习-AFM融合框架。该工作流程并非单一过程，而是一个包含数据准备、模型训练、结构识别与生成、以及验证模拟的完整闭环体系。具体步骤如下：

首先，是输入数据准备与增强。由于缺乏带有真实原子结构标签的实验AFM图像用于监督学习，研究人员完全基于模拟数据来训练模型。他们使用TIP4P/Ice水模型，对暴露（0001）晶面（基面）的六角冰（Ih）进行了大范围的分子动力学（MD）模拟，温度范围覆盖160K至260K，以充分采样预熔化过程的相空间。为了增加数据多样性并模拟冰生长过程，他们采用了两种初始构型：洁净的冰表面，以及在表面沉积过量水分子。通过一个2.5×2.5×0.3 nm³的滑动探测窗口，从模拟轨迹中采样了超过60,000个界面结构。每个结构都通过探针粒子模型（Probe Particle Model， PPM）转换为一系列（10个不同针尖-样品距离下的）模拟AFM图像，作为后续神经网络的输入。关键的创新在于，为了克服模拟图像与真实实验图像在噪声和风格上的差异，他们训练了一个CycleGAN（循环生成对抗网络）。该网络在未配对的模拟AFM图像和实验AFM图像上进行训练，学习将模拟图像的风格转换为更接近实验图像的风格，从而为训练集引入了逼真的实验噪声，极大提升了模型对真实数据的泛化能力。

其次，是顶层结构的物体检测识别。研究设计了一个基于3D U-Net架构的物体检测神经网络。该网络以经过CycleGAN风格转换后的模拟AFM图像堆栈作为输入，直接输出对应的三维原子结构。结构使用一种改进的3D体素（voxel）表示法，每个体素包含原子种类（氧或氢）的置信度分数以及原子在体素内的精确位移。网络在36,000个模拟数据上训练了超过10个周期。测试表明，该网络在模拟数据上的预测准确率极高（基面氧原子接近100%，氢原子99%）。更重要的是，它成功泛化到了从未在训练集中出现过的实验AFM图像上。研究人员应用该网络分析了两个关键实验图像：一个是121K下冰Ih表面观察到的（√19×√19）周期性超结构，另一个是135K下的无序界面结构。网络成功预测了顶层水分子的位置，特别是准确识别了指向表面的悬垂O-H键。将预测结构调整后（依据冰规则进行手动微调）并通过PPM重新模拟AFM图像，结果与原始实验图像高度吻合，验证了该物体检测网络的有效性和鲁棒性。

第三，是亚表层结构的生成与弛豫。AFM技术对表层以下结构的信号敏感度有限，无法直接探测。为了重构完整的界面三维结构，研究团队开发了第二个神经网络：一个条件变分自编码器（Conditional Variational Autoencoder， CVAE）。该网络的训练数据是来自MD模拟的、具有更大深度（2.5×2.5×1.6 nm³）的界面结构对，即“顶层结构”和对应的“下层结构”。CVAE的学习目标是：给定一个顶层结构作为条件，生成一个在能量和几何上与之相容的下层冰结构。训练完成后，他们将实验AFM图像通过物体检测网络得到的顶层结构作为条件输入CVAE，从而生成了对应的亚表层原子结构。将生成的顶层与亚表层结构组合，并通过与一个大的冰Ih模板进行晶体匹配，构建出完整的初始三维构型。随后，他们对该构型进行了能量最小化弛豫。分析弛豫过程中的原子均方根位移（RMSD）发现，大部分原子的位移小于1 Å，证明生成的亚表层结构与顶层结构匹配良好，网络成功地重建了与实验观测表层相容的、物理上合理的下层晶体框架。

第四，是基于重构结构的分子动力学探索与相图修订。这是本研究将实验观测与理论模拟深度结合的关键一步。从实验AFM图像中解析出的三维结构（温度在115-135K之间），为MD模拟提供了物理上真实的初始构型。研究人员将这些结构作为起点，进行了一系列从120K升温至240K的MD模拟。这一策略巧妙地绕过了两个难题：1） 在极低温度下，水分子动力学极其缓慢，传统MD模拟难以在有限时间内采样到平衡态；2） 在较高温度（>140K）下，真空中的冰表面会发生解吸，使得AFM实验难以直接观测。模拟结果显示，在120K至180K之间，冰表面并非人们传统认为的逐渐缺陷积累的有序表面，而是稳定地存在一个高度无序的二维氢键网络层。该层的结构参数，如四面体序参数和六元环比例，在整个温度区间内都保持在较低且平稳的值，表明其处于一种稳定的非晶态。研究人员将这一新发现的相命名为非晶冰层（amorphous ice layer， AIL）。随着温度接近约180K，表面分子扩散被热激活，AIL才转变为更易流动的类液相层（quasiliquid layer， QLL）。这一发现直接导致了冰预熔化相图的修订：在121K左右，表面质子无序和立方冰/六角冰纳米畴边界可能促进空位形成，引发级联结构无序化，从而从有序超结构相转变为AIL相；AIL相在121-180K之间稳定存在；约180K时，AIL通过热激活的粒子扩散转变为QLL相。

本研究的主要结论是：1. 方法学上，成功创建了一个通用的机器学习-AFM融合框架，能够从实验AFM图像中直接、高精度地重构复杂无序界面的三维原子结构。该框架通过物体检测（表层）和条件生成（亚表层）的两阶段策略，有效克服了AFM深度分辨率有限和实验噪声带来的挑战，架起了连接高分辨率实验成像与大规模原子模拟的桥梁。2. 科学发现上，首次在实验和模拟结合的基础上，揭示了冰预熔化过程中存在一个先前未知的非晶冰层（AIL）相，它稳定存在于类液相层形成之前。这一发现修正了人们对冰表面预熔化过程起始阶段和机制的传统认知。AIL具有二维拓扑无序但类固体的动力学特性，其结构异质性可能对冰表面的晶体生长动力学、溶解过程以及异相化学反应活性产生重要影响。

这项研究的价值与亮点体现在多个层面：科学价值：不仅修订了冰的预熔化相图，为理解这一百年难题提供了原子尺度的新见解，而且所发现的AIL相作为一个新的表面相，为研究表面无序化、二维非晶态、以及固-气界面相变等基础物理问题提供了理想模型体系。方法论价值：所开发的ML-AFM框架具有高度通用性，其“实验成像-结构解析-模拟探索”的研究范式可推广至其他纳米结构、有机吸附物、催化表面、生物分子组装体等多种复杂无序界面体系，为界面科学和功能材料的逆向设计开辟了新途径。应用潜力：对冰表面原子结构和动力学的深入理解，直接关联到大气化学（如极地平流层云中痕量气体的非均相反应）、材料科学（摩擦、磨损）、地球科学和行星科学中的相关过程。

研究的核心亮点在于：1. 重要的原创发现：发现了冰预熔化前期稳定的非晶冰层（AIL），这是对法拉第以来近两个世纪冰表面研究的重要补充和修正。2. 新颖的研究方法：首次将物体检测神经网络与条件生成模型深度集成到AFM数据分析中，实现了从二维图像到三维原子结构的“逆解析”，是扫描探针显微镜数据分析方法论的一次重要飞跃。3. 巧妙的策略设计：利用低温AFM捕获的“冻结”结构作为MD模拟的初始条件，从而能够探索实验上无法直接观测的高温预熔化动力学，完美结合了实验与模拟的优势。4. 广泛的适用前景：所建立的方法框架被证明具有强大的泛化能力，为解决各类复杂界面结构的解析问题提供了一个强有力的通用工具。

此外，研究还通过对比AIL与体相低密度非晶冰（LDA）的差异，指出AIL-QLL转变是一个独特的表面现象，而非体相LDA-LDL转变的简单类比。这进一步凸显了表面效应的特殊性。论文附录详细提供了AFM实验参数、MD模拟细节、神经网络架构、损失函数定义等全部技术信息，确保了研究的可重复性和透明度。这项工作通过在方法论上的重大创新，推动了界面科学，特别是对无序复杂体系的研究能力，达到了前所未有的精度和深度。