高精度识别多材料系统，谷歌DeepMind深度学习方法预测晶体材料，登Nature子刊

编辑 | 萝卜皮

无定形前体结晶成亚稳态晶体的过程在新物质的形成过程中起着根本性的作用，从自然界的地质过程到生物过程，再到实验室中新材料的合成和开发。

可靠地预测这一过程的结果将为这些领域的研究开辟新的方向，但这一过程仍然超出了分子建模或从头算方法的范围。

Google DeepMind 的研究人员通过使用通用深度学习原子间势在原子水平上采样局部结构图案，可以在许多无机系统中预测非晶前体的结晶产物候选物。

这种方法能够高精度地识别多种材料系统中最初由无定形前体成核的多晶型物最可能的晶体结构，包括多晶型氧化物、氮化物、碳化物、氟化物、氯化物、硫属化物和金属合金。

该研究以「Predicting emergence of crystals from amorphous precursors with deep learning potentials」为题，于 2024 年 12 月 18 日发布在《Nature Computational Science》。

当无定形固体结晶时，首先出现的相通常不是热力学基态，而是亚稳态晶体。在这种结晶过程中，亚稳态相的形成在自然界中无处不在，一个众所周知的例子是无定形碳酸钙结晶为球霰石、霰石或方解石，它们在生物矿化和碳循环中发挥作用。

非晶态冰和星际分子的结晶序列在地质学、天体物理学和天体生物学中具有重要意义。在材料科学中，非晶态到晶体的转变支撑着新技术的发展，包括相变存储器、纳米结晶金属玻璃软磁体和具有精细调整的电子或光学特性的陶瓷。

特别是在合成过程中，非晶态前体的结晶起着核心作用。成核的复杂性阻碍了多晶型选择性合成模型的制定，但促进了众多实验技术的发展，以探索能量格局，例如固态反应、化学反应、沉积、快速冷却或高压方法。

与多晶型物不同，非晶前体可以通过许多这些技术获得，并用作亚稳态晶体的前体。这种亚稳态晶体的形成路径是奥斯特瓦尔德规则的一个实例，经典成核理论对此进行了解释，即与非晶前体共享局部结构模式的晶体在退火时成核的障碍较低。

结构连接使非晶态成为预测晶体合成的一个独特有用的起点。为了捕捉能量图景本身，基于第一性原理计算训练的深度学习方法完全可以在原子尺度上提供可靠的描述。

一种新计算方法

Google DeepMind 的研究人员在此提出了一种称为 a2c 的计算方法，该方法利用深度学习，通过将无序状态下的局部主题转化为有序结构，实现了对无定形物质的（亚）稳定结晶产物的高精度预测，其规模对于从头算方法来说是不切实际的。

图示：预测非晶前体的结晶产物。（来源：论文）

使用 a2c，研究人员首先创建非晶态前体的原子模型，该模型通过熔化和淬火分子动力学（MQMD）捕捉基本短程有序。他们假设，如果使用精确的原子间势，在周期性边界条件下，按照下坡能量梯度松弛大量非晶态原子构型的子晶胞，那么具有种子基序的子晶胞中的一小部分应该会松弛到相邻的盆地中，这实际上会成核。

通过此过程达到的最低能量配置应与实验观察到的非晶态材料初始结晶产物的晶体结构非常接近，无论产物是稳定还是亚稳态。上图显示了使用 a2c 预测的 12 个无机系统的初始结晶产物。

在每种情况下，a2c 使用基于深度学习的原子间相互作用筛选无定形前体中的数万个局部图案，并确定与实验产品匹配的正确晶体结构。

图示：非晶前体和晶体相中的局部顺序。（来源：论文）

在实用性方面，a2c 对现有的晶体结构预测方法是补充，特别是那些从随机初始配置开始的方法，因为它不是针对寻找广泛的可行结构进行优化，而是针对选择性地寻找可通过非晶态前体的结晶在实验中实现的多晶型物。

在下图中，通过计算“加速因子”来量化效用的区别，加速因子定义为通过 a2c 获得的精度与通过随机结构搜索 (RSS) 获得的精度之比，用于找到非晶前体的实际结晶产物。

图示：对 a2c 进行基准测试以预测非晶前体的结晶产物。（来源：论文）

研究显示，在两种方法都能够识别产品的系统中，该因子范围为 1.2 倍到  6 倍。多晶型选择性的增加源于 a2c 将搜索限制在靠近无定形盆地的能量景观部分，而 RSS 的设计则执行更全局的结构搜索。

图示：使用 a2c 和 RSS 获得的晶体结构分布。（来源：论文）

结语

在原子水平上，用 a2c 方法观察到的转变中所涉及的原子位移的大小，从无定形前体到包含有序结构的原子排列，让人联想到 Buerger 分类中的位移和膨胀多晶相变中发生的原子偏移，这种偏移发生在具有有限移动性（例如，较低温度下的结晶）下具有结构关系的多晶型物之间。

与重构情况不同，这些转变除了需要扭曲或旋转之外，还需要最少的键断裂或重排，并且由于所涉及的同质异形体的结构相似性，它们通过低能界面发生。

因此，这些转变进行得很快，任何原子核都可以轻松地在非晶态基质中生长到其邻域中。这种机械性质与用 a2c 进行原子建模的性质相似，因此解释了为什么它的预测与许多不同化学空间中的实验观察结果一致。

该研究证明，通过将局部主题搜索与许多无机系统中的通用深度学习原子间势相结合，可以预测具有原子级可解释性的非晶态到晶体转变的产物。与广泛化学空间中的实验多晶型物预测一致性验证了计算框架。

通过此验证，表明 a2c 方法可用于研究任务，例如解决复杂材料系统中此类转变的结果，或用于计算机发现固有具有从无定形状态开始的合成途径的材料多晶型物或玻璃晶体复合系统。

论文链接：https://www.nature.com/articles/s43588-024-00752-y