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為另一種相。目前，非晶態硅得到了廣泛研究；它在環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）體系的液態非晶和非晶-非晶轉變，預測結構、穩定性和電子性質。相關論文以題為“Origins of structural and electronic transitions in disordered silicon”發表在國際頂級期刊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的挑戰，需要大的系統尺寸，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個原子之間的系統大小，并且只考慮當時的環境壓力狀態，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，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和非晶態，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現。這些方法提供了對結構、穩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性的條件下對材料系統的現實的、可預測的和完全原子的描述。