編輯 | 蘿蔔皮
無定形前體結晶成亞穩態晶體的過程在新物質的形成過程中起著根本性的作用，從自然界的地質過程到生物過程，再到實驗室中新材料的合成和開發。
可靠地預測這一過程的結果將為這些領域的研究開闢新的方向，但這一過程仍然超出了分子建模或從頭算方法的範圍。
Google DeepMind 的研究人員透過使用通用深度學習原子間勢在原子水平上取樣區域性結構圖案，可以在許多無機系統中預測非晶前體的結晶產物候選物。
這種方法能夠高精度地識別多種材料系統中最初由無定形前體成核的多晶型物最可能的晶體結構，包括多晶型氧化物、氮化物、碳化物、氟化物、氯化物、硫屬化物和金屬合金。
該研究以「Predicting emergence of crystals from amorphous precursors with deep learning potentials」為題，於 2024 年 12 月 18 日釋出在《Nature Computational Science》。
當無定形固體結晶時，首先出現的相通常不是熱力學基態，而是亞穩態晶體。在這種結晶過程中，亞穩態相的形成在自然界中無處不在，一個眾所周知的例子是無定形碳酸鈣結晶為球霰石、霰石或方解石，它們在生物礦化和碳迴圈中發揮作用。
非晶態冰和星際分子的結晶序列在地質學、天體物理學和天體生物學中具有重要意義。在材料科學中，非晶態到晶體的轉變支撐著新技術的發展，包括相變儲存器、奈米結晶金屬玻璃軟磁體和具有精細調整的電子或光學特性的陶瓷。
特別是在合成過程中，非晶態前體的結晶起著核心作用。成核的複雜性阻礙了多晶型選擇性合成模型的制定，但促進了眾多實驗技術的發展，以探索能量格局，例如固態反應、化學反應、沉積、快速冷卻或高壓方法。
與多晶型物不同，非晶前體可以透過許多這些技術獲得，並用作亞穩態晶體的前體。這種亞穩態晶體的形成路徑是奧斯特瓦爾德規則的一個例項，經典成核理論對此進行了解釋，即與非晶前體共享區域性結構模式的晶體在退火時成核的障礙較低。
結構連線使非晶態成為預測晶體合成的一個獨特有用的起點。為了捕捉能量圖景本身，基於第一性原理計算訓練的深度學習方法完全可以在原子尺度上提供可靠的描述。
一種新計算方法
Google DeepMind 的研究人員在此提出了一種稱為 a2c 的計算方法，該方法利用深度學習，透過將無序狀態下的區域性主題轉化為有序結構，實現了對無定形物質的（亞）穩定結晶產物的高精度預測，其規模對於從頭算方法來說是不切實際的。
圖示：預測非晶前體的結晶產物。（來源：論文）
使用 a2c，研究人員首先建立非晶態前體的原子模型，該模型透過熔化和淬火分子動力學（MQMD）捕捉基本短程有序。他們假設，如果使用精確的原子間勢，在週期性邊界條件下，按照下坡能量梯度鬆弛大量非晶態原子構型的子晶胞，那麼具有種子基序的子晶胞中的一小部分應該會鬆弛到相鄰的盆地中，這實際上會成核。
透過此過程達到的最低能量配置應與實驗觀察到的非晶態材料初始結晶產物的晶體結構非常接近，無論產物是穩定還是亞穩態。上圖顯示了使用 a2c 預測的 12 個無機系統的初始結晶產物。
在每種情況下，a2c 使用基於深度學習的原子間相互作用篩選無定形前體中的數萬個區域性圖案，並確定與實驗產品匹配的正確晶體結構。
圖示：非晶前體和晶體相中的區域性順序。（來源：論文）
在實用性方面，a2c 對現有的晶體結構預測方法是補充，特別是那些從隨機初始配置開始的方法，因為它不是針對尋找廣泛的可行結構進行最佳化，而是針對選擇性地尋找可透過非晶態前體的結晶在實驗中實現的多晶型物。
在下圖中，透過計算“加速因子”來量化效用的區別，加速因子定義為透過 a2c 獲得的精度與透過隨機結構搜尋 (RSS) 獲得的精度之比，用於找到非晶前體的實際結晶產物。
圖示：對 a2c 進行基準測試以預測非晶前體的結晶產物。（來源：論文）
研究顯示，在兩種方法都能夠識別產品的系統中，該因子範圍為 1.2 倍到 6 倍。多晶型選擇性的增加源於 a2c 將搜尋限制在靠近無定形盆地的能量景觀部分，而 RSS 的設計則執行更全域性的結構搜尋。
圖示：使用 a2c 和 RSS 獲得的晶體結構分佈。（來源：論文）
結語
在原子水平上，用 a2c 方法觀察到的轉變中所涉及的原子位移的大小，從無定形前體到包含有序結構的原子排列，讓人聯想到 Buerger 分類中的位移和膨脹多晶相變中發生的原子偏移，這種偏移發生在具有有限移動性（例如，較低溫度下的結晶）下具有結構關係的多晶型物之間。
與重構情況不同，這些轉變除了需要扭曲或旋轉之外，還需要最少的鍵斷裂或重排，並且由於所涉及的同質異形體的結構相似性，它們透過低能介面發生。
因此，這些轉變進行得很快，任何原子核都可以輕鬆地在非晶態基質中生長到其鄰域中。這種機械性質與用 a2c 進行原子建模的性質相似，因此解釋了為什麼它的預測與許多不同化學空間中的實驗觀察結果一致。
該研究證明，透過將區域性主題搜尋與許多無機系統中的通用深度學習原子間勢相結合，可以預測具有原子級可解釋性的非晶態到晶體轉變的產物。與廣泛化學空間中的實驗多晶型物預測一致性驗證了計算框架。
透過此驗證，表明 a2c 方法可用於研究任務，例如解決複雜材料系統中此類轉變的結果，或用於計算機發現固有具有從無定形狀態開始的合成途徑的材料多晶型物或玻璃晶體複合系統。
論文連結：https://www.nature.com/articles/s43588-024-00752-y