想象一个材料可以根据指令改变其“性格”的世界：它们可以从刚性、有序的晶体转变为柔软、无序的玻璃，甚至熔化成液体，同时保持其化学灵魂不变。这就是金属有机框架（Metal-Organic Frameworks，简称 MOFs）那迷人的领域。把 MOF 想象成由金属离子充当凸点、有机分子充当连接砖块所构建的微观乐高城堡。这些结构以其惊人的多孔性而闻名，就像拥有数万亿个微小孔洞的海绵，使其非常适合捕捉气体、净化水或递送药物。但转折在于：科学家们发现，其中一些乐高城堡可以通过加热变成“非晶态”版本——本质上是同样的乐高零件，但被随机地堆成了一堆乱七八糟的玻璃状物体。这不仅仅是一个混乱的意外，而是一种可逆的超能力。如果你能控制这种“乱序”过程，你就可以将气体困在玻璃状的混乱结构中，然后在稍后通过“还原秩序”来释放它。然而，尽管我们知道这些材料会发生变化，但它们是如何瓦解并重新排列的精确微观步骤，一直是一个谜团，隐藏在原子级的混沌深处。
这时，一群研究人员决定利用计算机模拟和人工智能的强大组合来扮演侦探。他们专注于两种特定的由锌和咪唑构成的 MOF 乐高城堡：一种是多孔的 ZIF-4，另一种是致密的非多孔 ZIF-zni。使用一种特殊的计算机力场（一套告诉原子如何相互推拉，包括断裂和重组键合能力的规则），他们加热了这些结构以观察发生了什么。但观察数百万个原子的运动，就像试图从太空观察拥挤体育场中的某个特定的人一样，画面太模糊了。因此，研究人员训练了一个神经网络——一种人工智能大脑——来充当超级裁判。这个 AI 学习观察每个锌原子周围的局部邻域，并能瞬间大喊：“那是晶体！”、“那是玻璃！”或“那是液体！”，准确率达到 90%。
他们发现这两种材料都跳了一场令人惊讶的两步舞。当加热多孔的 ZIF-4 时，它并没有立即熔化成液体。相反，它首先松动成一种低密度的类液体状态，然后才重新排列成一种高密度的非晶态玻璃。这就像乐高城堡先塌陷成一堆松散的砖块，然后又重新拼凑成另一种更致密的形状。这个过程也是“各向异性”的，意味着它并非在所有方向上均匀发生；材料沿着一个特定轴向分解得更快，就像拉开拉链一样，因为那个方向的键合更不稳定，空间也更开阔。
另一方面，致密的 ZIF-zni 则表现出相反的过程。它首先开始乱序成非晶态，然后才熔化成液体。在这两种情况下，转变的关键不仅是原子的移动，更是金属与配体之间键合的实际断裂与重组。研究人员发现，当一个键断裂且金属原子抓住一个新的邻近配体时，整个过程就会被触发，从而改变了整个网络的连通性。他们还注意到，虽然他们的模拟清晰地展示了这些步骤，但计算出的精确温度低于现实世界的实验观察值，这可能是因为他们的计算机加热速度比真实的烤箱快得多。尽管如此，这项研究提供了一幅生动的原子级地图，展示了这些智能材料如何发生转化，表明它们在有序与混沌之间切换的能力是由其化学键中特定的、方向性的弱点所驱动的。
技术摘要：ZIF-4 热致非晶化与 ZIF-zni 熔解的微观机制
问题陈述
非晶态金属有机框架（Amorphous MOFs）具有内在孔隙率与机械强韧性的独特结合，然而其从晶体前驱体演变而成的微观机制仍不明确。具体而言，沸石咪唑酯框架（ZIFs）中的有序-无序相变，例如 ZIF-4 的热致非晶化和 ZIF-zni 的熔解，为计算模拟带来了巨大挑战。尽管存在实验数据，但关于非晶化的具体机制、中间态的性质以及超越第一近邻距离的行为等问题仍悬而未决。标准的从头算分子动力学（AIMD）通常受限于系统规模和时间尺度，而传统的力场往往无法捕捉模拟过程中所需的金属-配体反应性，从而难以模拟键的断裂与形成。
方法论
作者采用结合经典分子动力学（MD）与机器学习（ML）的混合方法，研究了两种 Zn(C3H3N2)2 同质异构体（多晶型）：多孔 ZIF-4 和致密 ZIF-zni 的相变过程。
- 力场： 模拟使用 nb-ZIF-FF（非键合 ZIF 力场）进行。这种反应性力场利用 Morse 势来模拟金属-配体键，允许键的断裂与形成。它引入了“虚拟原子”模型以强制执行 Zn²⁺ 中心周围正确的四面体拓扑结构，确保能够准确重现晶体、非晶态（ZIF_a）及液体（ZIF_liq）相的结构、机械和热力学性质。
- 结构生成： 通过模拟退火法（加热至 900 K 并冷却）从 ZIF-4 和 ZIF-zni 前驱体生成非晶结构（ZIF_a）。所得结构通过密度、体积模量和径向分布函数（RDFs）进行了实验验证。
- 机器学习分类： 为了在局部原子层面区分四种相（ZIF-4, ZIF-zni, ZIF_a, ZIF_liq），作者训练了一个神经网络。
- 描述符： 计算了以 Zn²⁺ 为中心的 Behler-Parrinello 对称函数（BPSF），作为无偏输入的特征。
- 架构： 一个具有 12 个输入节点（对称函数）、一个隐藏层（6 个节点）和 4 个输出节点（相概率）的神经网络。
- 性能： 该模型在分类局部环境方面达到了 90.3% 的准确率，能够仅基于结构信息成功区分两种无序相（ZIF_a 和 ZIF_liq）。
- 模拟方案： 使用 LAMMPS 进行大规模 NPT MD 模拟。通过识别相共存且其中一相既不净增长也不净缩减的平衡条件来确定转变温度。
关键结果
- 热力学： 研究确定了 ZIF-4 非晶化的平衡转变温度为 420 K，以及 ZIF-zni 熔解的温度为 625 K。虽然这些数值与实验观察值（分别为 589 K 和 863 K）存在差异，但该模型正确地重现了热力学稳定性趋势，证实了 ZIF-4 在环境条件下是亚稳态的。计算出的焓和熵与参考值吻合良好。
- ZIF-4 非晶化机制： 从晶体 ZIF-4 到非晶态 ZIF_a 的转变是一个两步过程：
- 形成低密度、类液体的中间相（ZIF_liq-like）。
- 该中间相转化为高密度非晶相（ZIF_a）。
该过程涉及连通性的降低，随后是重组。非晶相的形成是各向异性的，在 x 轴方向传播更快。这种各向异性与局部密度分布及配位键的易变性相关；沿 x 方向定向的键更容易断裂，从而促进了连通性的交换。
- ZIF-zni 熔解机制： ZIF-zni 的熔解同样遵循两步路径，但其密度演变顺序与 ZIF-4 相反：
- 从晶体形成类非晶相。
- 向液体相（ZIF_liq）转变。
液体相在中间无序相的内部成核。
- 微观触发因素： 非晶化的起始与特定的连通性变化有关，而非简单的键断裂。虽然三配位 Zn 缺陷频繁发生，但这些缺陷是可逆的。触发相变的临界事件是 Zn²⁺ 中心与另一个配体分子之间形成了新键（改变了网络连通性），而非简单的旋转或原键的重新形成。这一事件伴随着神经网络识别出的类液体环境数量的突然增加。
- 结构演变： 观察到三元环（Zn–ligand–Zn）的形成与无序相的增长相关，这表明这些拓扑特征是类非晶态的特征，而晶体主要包含四元、六元和八元环。
意义与主张
本文声称提供了对 ZIFs 热致非晶化和熔解的详细微观理解，填补了以往研究忽略中间态或缺乏足够系统规模所留下的空白。其主要贡献在于：
- 验证了 nb-ZIF-FF： 证明了该力场可以准确重现 ZIF 晶体、非晶及液体相的结构和性质，包括其他反应性力场（如 ReaxFF）无法捕捉的细微角度分布。
- 机器学习增强的动力学： 建立了一种方法，利用基于对称函数的神经网络，能够以高空间分辨率追踪相变的随时间演化，并区分结构相似的无序相。
- 机制见解： 确定了非晶化和熔解都是涉及具有不同密度的中间相的两步过程，并且 ZIF-4 的非晶化是一个由特定配位键的易变性驱动的各向异性过程。
作者总结道，其工作为研究 MOFs 中的反应过程提供了一个框架，可能有助于设计用于水净化和催化等工业应用的非晶态 MOFs，尽管他们并未提出超出理解基本机制范围之外的新实验方案或具体的未来应用。
每周获取最佳 materials science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。