使用深度学习从无定形前驱体预测晶体的生成

人工智能 计算机科学 材料学 无机非金属材料 信息科学
深度学习 无定形前驱体 晶体生成 非晶态 多晶型 材料科学 能量景观

从无定形前驱体预测晶体的出现：深度学习助力材料科学新突破

背景介绍

晶体从无定形物质中逐步生成的过程在自然界与实验室中具有重大意义。这一过程广泛存在于从地质到生物过程的各种现象中，并且在开发新材料的过程中占据核心地位。然而，无定形状态向晶体态的转化中，最初出现的常常是亚稳态（metastable state）晶体，而非热力学上的稳定态晶体。这种亚稳态形成的普遍规律可以通过”Ostwald法则”加以解释，该法则指出与无定形前驱体（amorphous precursor）具有相似局部结构特征的晶体将更容易优先成核。

无定形材料的晶化过程，尤其是其能量景观（energy landscape）的建模，一直以来是科学界的难点。传统的分子建模方法或从头计算（ab initio methods）由于计算量极大难以应用于大规模预测工作。基于这一科学问题，作者们致力于开发一种更为高效且准确的计算方法用于预测无定形态向晶态的转化产物，这对材料科学研究具有重要指导意义。

研究来源

这篇文章题为《Predicting Emergence of Crystals from Amorphous Precursors with Deep Learning Potentials》，由Muratahan Aykol、Amil Merchant、Simon Batzner、Jennifer N. Wei和Ekin Dogus Cubuk等人撰写。他们来自Google DeepMind团队。这篇文章发表于2024年《Nature Computational Science》，是一项开创性研究。

研究流程

在本文中，作者提出了一种名为“A2C”的计算方法（Amorphous-to-Crystalline transformation，“无定形到晶体转化”），结合了局部结构的搜索与通用深度学习原子间势（interatomic potentials），实现了大规模无定形态晶化产物的高精度预测。整个研究的流程包括以下几个关键环节：

1. 无定形结构的生成：

在研究的第一阶段，作者开发了一种基于“熔化-淬火分子动力学”（melt-and-quench molecular dynamics, MQMD）的方法，用于生成逼真的无定形结构。流程包括以下步骤： * 初始分布： 原子被随机分布在一个立方体中，并基于经验规则扩展体积，避免出现空隙。 * 软球势优化： 使用软球相互作用势（soft-sphere interatomic potential）简单优化，减少原子间重叠。 * 熔化与淬火： 通过熔融（高温模拟）、降温、低温平衡这三个阶段，用图神经网络（Graph Neural Network, GNN）定义的力场进行动力学模拟。

最终得到具有合理短程有序（short-range order）特征的无定形结构，这为下一步的晶化预测奠定了基础。

2. 晶化预测流程：

在第二阶段，该方法通过以下步骤识别无定形在能量景观中的潜在晶化产物： * 子晶胞生成： 从无定形结构中提取所有可能的子晶胞，并允许这些子晶胞的几何度自由优化。 * 能量优化与筛选： 每个子晶胞使用神经网络势进行能量最优化并确认最终晶相。此过程采用扩展的图神经网络，如NequIP框架。 * 结构匹配： 通过与已知实验结构比较，验证预测结果。

研究亮点

1. 高效的预测准确性：
A2C方法展示了其在12种无机系统中极高的预测精度，包括氧化物、氮化物、碳化物、合金等材料。例如，在TiO2的晶化预测中，A2C成功揭示了无定形TiO2向金红石型与锐钛矿型转化的比例受到局部TiO6八面体排序的影响。这一结果与实验中通过薄膜制备获得的多晶产物相吻合。

2. 实验验证与重要案例：
研究中涵盖了多个真实的材料案例，展示了A2C的广泛适用性： - 在BiBO3（二硼酸铋）系统中，A2C精准预测并解决了此前实验未确定的亚稳晶相结构问题，与实验衍射图谱完全匹配。 - 在Fe80B20合金玻璃的晶化过程中，A2C识别其逐步分解路径，这与自旋odal-like分离过程完全一致。 - 在氮化硼（BN）系统中，A2C揭示了通过对无定形BN施加压力，可以更容易地生成立方相BN（c-BN）而非六方相BN（h-BN），并发现了BN键结构向sp3杂化的转变机制。

3. 加速因子的度量：
通过与随机结构搜索（Random Structure Search, RSS）方法对比，A2C在多种材料系统中实现了1.2至6倍的加速。这得益于A2C更专注于无定形体系附近的能量景观，而非RSS中进行的全局搜索。

4. 神经网络模型的化学普适性：
A2C利用了GNOME项目中的通用深度学习势，这一模型具有约240万参数，覆盖了几乎整个元素周期表，且在各种无定形系统中的预测误差低至38meV/原子。

研究意义与展望

本研究不仅在理论上验证了无定形态向晶态转化的预测能力，还为材料设计提供了实际的指导意义： - 科学价值： A2C方法扩展了使用深度学习势研究复杂材料转化的边界，提供了可大规模应用且具有准确性的新工具。 - 应用价值： A2C可用于预测新材料的晶态产物，辅助设计具有特定功能的材料或合成路径。 - 方法创新： A2C不仅是传统随机方法的补充，还由于其独特的能量景观探索路径，能够更好地捕捉亚稳态晶相。

作者们指出，尽管A2C展现了显著的适用性，但部分情况下仍需结合其他方法进一步深入研究。例如，在氧化物薄膜系统中，特别薄膜厚度或氧含量的变动可能导致Brookite型晶体的生成，这种情况需要通过详细的原子级模拟予以解析。此外，实时晶化路径的动态模拟也需要结合其他分子动力学手段。

结束语

通过结合先进的深度学习技术与材料科学的核心问题，本文为无定形态晶化预测提供了突破性解决方案。A2C为材料科学与计算模拟领域树立了新的标杆，尤其在探索新材料及理解复杂体系后续转化的潜在规律中，将具有巨大的研究与技术推广价值。