2021首期Nature封面：牛津大學ML算法實現10萬高壓非晶硅原子的模擬

自生物領域之后，材料領域也被人工智能攻陷了。

依靠算法推斷能力和強大的算力，很多人都認為 AI 在材料設計、材料篩選和材料性能預測等領域擁有很大潛力。

為了對一般無序結構材料有更深的理解，人們廣泛研究了非晶硅在高壓條件下的富相行為。然而在和原子打交道的層面上，人們一直需要借助量子力學來理解材料的結構和鍵合，這僅限于尺度很小的模型系統，如果用機器學習算法從量子力學數據中「學習」會是怎么樣？

在 2021 年的第一期《自然》雜志封面研究中，來自牛津大學的 Volker Deringer 等人展示了模擬加壓非晶硅的原子機器學習模型，成功解決了這一挑戰，并捕獲了實驗中遇到的所有結構變化。這種計算方法可以為實驗條件極富挑戰性的材料預測建模開啟全新的方式。

這是 2020 年 12 月 DeepMind 人工智能解決生物學 50 年來重大挑戰之后，人工智能在又一個新的領域展現強大能力。現在，人類已經能夠實現 10 納米尺度，十萬個硅原子系統的模擬——使用常規方法的話，即使是超級計算機也需要耗費大量時間。

該研究的團隊，除了牛津大學副教授、計算化學家 Volker Deringer 之外，還有來自美國、瑞士等國，劍橋大學、美國海軍研究實驗室、洛桑聯邦理工學院、俄亥俄大學等研究機構的學者。

「這項工作是機器學習和計算化學在原子層面上提供對材料新見解的一個范例——- 描述結構復雜的相（非晶形、納米晶等）及其轉化。我很期待未來將會發生什么！」在論文發表后，Volker Deringer 說道。

牛津大學理論與計算無機化學副教授 Volker Deringer。

非晶硅結構轉變的歷史回顧

非晶硅又稱無定形硅，是單質硅的一種形態，其不具有完整的金剛石晶胞，熔點、密度和硬度也明顯低于晶體硅。這種介于固體和液體之間、無固定形式的過渡物質很難研究，而現在機器學習提供了對壓力誘導的非晶硅變化的全新見解。

研究人員正在開發機器學習方法以精確模擬無序固體和液體的結構和化學鍵，建模充足數量的原子以便與實驗數據進行直接比較。在這篇《Nature》封面論文中，Deringer 等人使用這種方法探索壓縮下非晶硅的結構，此時這種元素從半導體態轉變為金屬態。研究表明，非晶態材料的結構轉變比結晶相之間的轉變要緩慢得多，且涉及納米結構域的形成以及任何結晶態中都未發現的局部原子排列。

論文地址：https://www.nature.com/articles/s41586-020-03072-z

硅屬于融化時密度上升的元素，這一不尋常現象還發生在冰上（冰的密度低于水，因而可以浮在水上）。這種出人意料的固液態密度反轉與一種叫做多非晶型轉變（polyamorphism），即物質以不同非晶相存在時，其結構和屬性有顯著區別。

液態硅在環境中是金屬導體，而固態硅是半導體，這一事實支撐了它們在計算機芯片、太陽能電池板等技術領域中的應用。在室溫條件下，固態硅可以呈現結晶或無序結構的非結晶形式。在這兩種形式下，每個原子都以四面體排列鍵合到其他四個原子上。但在壓縮條件下，結晶和非結晶固態硅轉變為了更致密的結構，這一過程還伴隨著向金屬導電性能的轉變。

20 世紀 70 年代，研究人員進行了量熱實驗，以研究加熱和冷卻過程中伴隨非結晶和結晶硅形式轉變的能量變化。結果表明，存在兩種非結晶形式的硅，并且二者之間存在相變。之后的模擬實驗表明，硅從低密度非結晶（LDA）相（其配位數，即每個硅原子周圍的原子數為 4）轉變為高密度非結晶（HDA）相，后者的結構類似于金屬液態硅。在非結晶固態硅的快速加熱過程以及環境溫度下非結晶硅的壓縮過程中都發現了這種 LDA-HDA 相變。

硅結晶相之間的結構轉變可以通過衍射方法輕松地觀察到，但非結晶態之間的結構轉變卻更難展開研究，這是因為隨著密度的增加結構轉變的次數越來越少。這時計算機模擬開始發揮作用：它們能夠可視化不同相原子的排列，并對產生的特性進行預測和解釋。這里的主要挑戰是建模充足的原子以對模擬結果和真實樣本的宏觀數據進行比較，同時保持足夠的精度以對原子的排列和鍵合進行描述。

在研究相變的過程中，計算機模擬還受自身時間尺度的限制。當前可用的計算資源常常將基于準確量子力學計算的模擬限制在包含數十至數百個原子的系統上，且時間尺度通常為飛秒（1 飛秒等于 10^-15 秒）。使用較少計算需求量建模策略的模擬則可以擴展至數百或數千個原子。但隨著系統規模的增大或者模擬時長的增加，對研究材料結構和物理屬性的預測準確率會有所下降。

機器學習算法模擬高壓非晶硅原子

而 Deringer 等人最近提出的方法通過機器學習，對包含 10 萬個硅原子的系統從冷卻的液態到 20 萬大氣壓（20GPa）壓縮過程提供了前所未有的結構和鍵能信息。這表明，人們可以建模的原子數大大增加了，同時該方法的精度接近于使用量子力學計算從第一性原理進行的最佳模擬精度。

最重要的是，這一建模系統足夠強大，可以揭示出原子無定形簇的亞穩態聚集。該模擬還發現了新的結晶現象，而此前使用較少原子數或精度較差模型來描述原子交互的那些模擬并未觀察到這一現象。這些發現高擬真度地再現了實驗中觀察到的溫度和壓力，這些溫度和壓力涉及從宏觀上觀察到的硅熔化、其他相變以及金屬行為的開始。

模擬表明，壓縮時發生的結構變化要比人們以前意識到得更加復雜（如下圖）。和硅在結晶相之間的轉變一樣，此時處于配位數為 4 的排列中的原子不會同時轉變為配位數更高的相。取而代之的是，非晶結構逐漸演化以產生具有高配位數的高密度納米尺度疇（nanoscale domain），它在原始的四面體 LDA 結構內發展得到。隨著密度增加，HDA 域之間會形成連接，從而產生一種具有整體金屬導電性的材料。通過在壓縮硅上施加方向性應力，我們可以在現實世界中修改這種單質的金屬導電性。

Deringer 等人研究中對于非晶硅的大規模模擬。

該研究的模擬還表明，隨著系統進一步被壓縮，它的體積可以快速坍塌約 25%，從而帶來非常高密度的金屬態。這在模擬的納秒級即可快速實現結晶化，形成硅金屬相的納米疇。

液態硅的壓縮過程。

這一結果可以幫助我們理解多非晶型形轉變如何更普遍地出現在不同液相和玻璃態結構之間。Deringer 及其同事的機器學習方法可以在皮秒級時間內準確模擬非晶硅（1 皮秒等于 10^?12 秒），其溫度和壓力范圍和液相與晶相、液態與玻璃態、兩個非晶相之間的轉變有關。因而這項研究發現為學習此前難以探索的大量非晶材料的轉變提供了契機。

過冷液態硅的玻璃化。

該研究提出的方法還可用于探索非晶硅轉換的可能性，或硅中包含少量其他元素的「混雜」材料，以生成包含金屬和半導體的納米結構。這類納米結構可能為開發新技術，如電子通信、數據處理和能量收集，創造新的機會。

參考內容：

https://www.nature.com/articles/d41586-020-03574-w