結構無序的材料存在一些基本問題，包括不同無序相（多晶硅）如何共存以及如何從一種相轉變?yōu)榱硪环N相。目前，非晶態(tài)硅得到了廣泛研究；它在環(huán)境條件下形成四倍配位的共價網絡，在壓力下形成更高配位的金屬相。然而，由于最先進的實驗和計算技術的內在局限性（例如，通過模擬可以獲得的系統(tǒng)尺寸），對無序硅結構轉變的詳細機理一直缺乏理解。

近日，來自英國牛津大學的VolkerL. Deringer等研究者，展示了如何在精確的量子力學計算上訓練原子機器學習模型，以此可用來描述10萬個原子（10 nm長度尺度）體系的液態(tài)非晶和非晶-非晶轉變，預測結構、穩(wěn)定性和電子性質。相關論文以題為“Origins of structural and electronic transitions in disordered silicon”發(fā)表在國際頂級期刊Nature上。同期，該文章登上了2021年第一期《Nature》的封面。

論文鏈接： https://www.nature.com/articles/s41586-020-03072-z

在理解結構復雜的材料，如液體和非晶態(tài)物質方面，計算機模擬在很大程度上已經達到了最先進的水平。然而，無序相對模擬提出了持續(xù)的挑戰(zhàn)，需要大的系統(tǒng)尺寸，長時間的模擬和可轉移的原子相互作用模型（即，對所有相關的結構和鍵合環(huán)境都有效的模型）。機器學習驅動的原子間勢，是解決這些挑戰(zhàn)的一種新興且強大的方法；硅晶體相之間的壓力誘導轉變是這些方法最早的應用之一，最近的應用包括液相中的晶體成核。研究者之前基于分子動力學模擬，使用量子精確高斯近似勢（GAP）機器學習模型，使用512到4096個原子之間的系統(tǒng)大小，并且只考慮當時的環(huán)境壓力狀態(tài)，對無序硅進行了初步研究。

在此，研究者利用更廣泛的間隙分子動力學（GAP-MD），模擬了一個包含100,000個硅原子的系統(tǒng)，以解決各種結構躍遷的原子機制——包括那些在非常高的壓力和密度下。在這個系統(tǒng)大小下，這種模擬包含了幾百萬個單獨的時間步長，在此之前，這種模擬只能在（必然）有限的精度和可轉移性的經驗參數化力場下才能實現。研究者證明了此前簡單的力場無法再現硅中由壓力引起的變化，而這些變化在實驗中已經觀察到，在本研究中也發(fā)現了。

研究者的模擬揭示了非晶硅在增加外部壓力下的三步轉序列。首先，多晶低-、高密度非晶區(qū)并存，而不是依次出現。然后，觀察到一個結構坍塌成一個明顯的高密度非晶（VHDA）相。最后，研究者的模擬表明了這種VHDA相的瞬態(tài)性質：它會迅速成核，最終導致多晶結構的形成，這與實驗一致，但在早期的模擬中沒有看到。電子態(tài)密度的機器學習模型證實了：金屬豐度在VHDA形成和隨后的結晶過程中的開始。這些結果闡明了硅的液態(tài)和非晶態(tài)，并且在更廣泛的背景下，它們例證了一種機器學習驅動的方法來預測材料建模。

圖1 過冷液態(tài)硅的玻璃化。

圖2高壓和超高壓下的非硅。

圖3 結構轉變的電子指紋。

綜上所述，研究者模擬已經描述和解釋了無序硅的全部相變，直到確定的極限（即結晶），與實驗觀察一致。然而，除了這一特定材料之外，目前的結果表明，原子機器學習方法可以引導科學發(fā)現。這些方法提供了對結構、穩(wěn)定性和性質的量子精確預測，可以揭示迄今未知的現象：單個原子的結構和電子指紋，也可以揭示多晶、多晶和其他形式的納米尺度不均一性。因此，對無序材料的模擬邁出了定性的一步：從簡單的結構模型到在實驗具有挑戰(zhàn)性的條件下對材料系統(tǒng)的現實的、可預測的和完全原子的描述。