An activation-relaxation technique study of two-level system impact on internal dissipation using DFT-based moment tensor potential

该研究利用基于密度泛函理论训练的矩张量势结合激活 - 弛豫技术，发现尽管非晶硅模型在平均结构及耗散性质上与修正的 Stillinger-Weber 势结果相似，但在原子细节上存在显著差异，特别是涉及 Wooten-Winer-Weaire 键交换的复杂双能级系统更为常见且彼此独立振荡。

要点

这篇论文讲述了一个关于**“看不见的微观噪音”的故事，以及科学家如何利用“超级智能的原子模拟器”**来寻找消除这些噪音的方法。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成一场**“寻找宇宙望远镜里的幽灵”**的侦探行动。

1. 背景：宇宙望远镜的“耳塞”问题

想象一下，科学家建造了巨大的“宇宙耳朵”（引力波探测器，如 LIGO），用来聆听宇宙深处两个黑洞碰撞时发出的微弱声音。这些声音非常非常小，就像在嘈杂的集市中听一根针掉在地上的声音。

但是，这些望远镜的“耳朵”（镜子）本身也会发出噪音。这种噪音主要来自镜子表面涂层的**“内部摩擦”**。

• 比喻：想象你的镜子是由无数微小的原子组成的。在极微观的层面上，这些原子并不是静止不动的，它们像一群躁动不安的蚂蚁，偶尔会从一个位置跳到另一个位置。这种微小的“跳跃”会产生热量和震动，形成背景噪音，干扰了科学家捕捉宇宙信号的能力。

2. 主角：双能级系统（TLS）—— 微观世界的“跷跷板”

这些产生噪音的原子跳跃，在物理学中被称为**“双能级系统”（TLS）**。

• 比喻：想象一个原子被困在一个山谷里，旁边还有一个高度差不多的山谷，中间隔着一座小山。原子就像坐在跷跷板上，它可以在两个山谷之间来回跳跃。
  • 如果它跳得不够快或不够慢，它就不会产生噪音。
  • 但如果它跳的频率正好落在我们探测器的敏感范围内（就像特定的音高），它就会制造出干扰信号。

3. 之前的工具：老式的“经验地图”

以前，科学家在研究这些原子时，使用的是**“经验势函数”（如 mSW 势）**。

• 比喻：这就像是用一张手绘的、基于经验的旧地图来导航。这张地图是根据过去的观察画出来的，大体上能告诉你哪里是山、哪里是河（原子的平均结构是对的）。但是，对于具体的山路细节（原子跳跃的具体路径和能量），这张旧地图可能画得不准，甚至会把一条小路画成大路，或者漏掉一些隐蔽的小径。
• 问题：用这张旧地图找到的“跳跃点”（TLS），虽然数量不少，但可能并不是真实世界中发生的那些。

4. 新工具：AI 驱动的“超级显微镜”（MTP）

这篇论文的研究团队换了一种新工具：基于密度泛函理论（DFT）训练的“矩张量势”（MTP）。

• 比喻：这就像是用AI 训练出来的超级显微镜。它不是靠猜或靠旧经验，而是通过计算量子力学（原子的基本物理法则）来生成数据。它就像是一个拥有“上帝视角”的导航仪，能极其精准地描绘出原子世界的每一块岩石和每一道缝隙。
• 挑战：这个超级显微镜计算量巨大，非常消耗算力，就像用高清摄像机拍电影比用老式相机拍照片要慢得多、贵得多。

5. 研究发现：旧地图 vs. 新地图

科学家分别用“旧地图”（mSW）和“新显微镜”（MTP）去扫描无定形硅（一种用于制造镜子的材料），看看能找到多少个“跷跷板”（TLS）。

惊人的发现：

1. 数量翻倍：用新显微镜找到的“跷跷板”数量，是旧地图找到的两倍多！
   • 比喻：就像你在森林里找蘑菇，旧地图告诉你这里有 10 个蘑菇，但超级显微镜告诉你，其实有 20 个，而且你之前漏掉了一半。
2. 种类不同：
   • 旧地图找到的主要是简单的“单原子跳跃”（一个原子换个位置）。
   • 新显微镜发现，除了简单的跳跃，还有更多复杂的“集体舞”（比如两个原子交换位置，像 Wooten-Winer-Weaire 机制）。这些复杂的舞蹈在旧地图上几乎看不见。
3. 独立性：新显微镜发现，这些“跷跷板”大多是独立工作的，它们互不干扰，各自跳各自的舞。这修正了之前可能认为它们会连成一片的猜想。

6. 结果：为什么这很重要？

当科学家把这些新发现的数据代入公式，计算镜子产生的噪音时，新显微镜（MTP）的结果与真实的实验数据完美吻合，而旧地图（mSW）的结果则偏差较大。

• 比喻：如果你用旧地图去预测明天的天气，可能会说“晴天”，但实际是“暴雨”。而用新显微镜（AI 模型），它准确预测了“暴雨”。
• 意义：这意味着，如果我们想制造更安静的镜子，让引力波探测器听得更清楚，我们就必须基于新显微镜提供的细节来设计材料。如果我们继续依赖旧地图，可能会在错误的地方努力（比如试图消除那些其实不存在的简单跳跃），而忽略了真正制造噪音的复杂“集体舞”。

总结

这篇论文告诉我们：
在微观世界里，“差不多”是不够的。以前我们用的老方法虽然能画出大概的轮廓，但会漏掉很多关键的细节。现在，通过利用人工智能和量子力学结合的新技术，我们终于看清了原子世界里那些制造噪音的“捣蛋鬼”到底长什么样、怎么跳舞。

这对于未来制造更精密的宇宙望远镜、捕捉更遥远的宇宙信号，具有至关重要的指导意义。简单来说，我们终于拿到了更精准的“藏宝图”，知道该在哪里消除噪音了。

技术摘要

这是一份关于利用基于密度泛函理论（DFT）的机器学习势函数（Moment Tensor Potential, MTP）结合激活 - 弛豫技术（ARTn）研究非晶硅（a-Si）中双能级系统（TLS）及其对内耗影响的详细技术总结。

1. 研究背景与问题 (Problem)

• 引力波探测器的噪声限制： 大型引力波探测器（GWD）的灵敏度在约 100 Hz 处受到背景噪声的限制，其中镜面涂层的热噪声是主要来源之一。
• TLS 的微观机制： 这种热噪声源于微观尺度的热激活事件，即双能级系统（TLS）。TLS 是指由两个能量相近的亚稳态组成的系统，它们之间通过低能垒相互转换。
• 现有方法的局限性： 以往对非晶硅（a-Si）中 TLS 的研究主要依赖经验势函数（如修正的 Stillinger-Weber 势，mSW）。虽然 mSW 能较好地重现平均结构性质，但在描述动力学性质（如过渡态构型、能垒高度）时，与更精确的 DFT 计算存在偏差。
• 研究挑战： TLS 在材料中浓度较低，需要在大尺度模拟细胞中积累大量统计量，而直接使用 DFT 进行此类大规模采样计算成本过高。
• 核心问题： 如何克服计算成本限制，利用高精度的 DFT 级势函数准确描述非晶硅中的 TLS 原子机制，并评估其与经验势函数结果的差异，从而更准确地预测内耗。

2. 方法论 (Methodology)

• 势能模型 (MTP)： 研究采用了基于矩张量势（Moment Tensor Potential, MTP）的机器学习势函数。该势函数是在大量 DFT 计算数据上训练得到的，专门针对非晶硅（a-Si）进行了优化，能够以接近 DFT 的精度描述原子间相互作用，同时保持计算效率。
• 结构生成： 通过“熔化 - 淬火”（melt-and-quench）过程生成了 28 个包含 1000 个原子的非晶硅模型。
  • 加热至 3000 K，快速冷却至 1500 K，再缓慢冷却至 300 K。
  • 最后在 0 K 和 0 Pa 下进行能量最小化。
• 事件搜索 (ARTn)： 使用 Activation-Relaxation Technique nouveau (ARTn) 算法对能量景观进行广泛探索。
  • 对每个原子中心进行 30 次事件搜索，每个构型共搜索 30,000 次。
  • 识别鞍点（Saddle points）并连接初始态和最终态。
• TLS 筛选标准：
  • 能垒 ($V$) 在 0.2 eV 到 0.7 eV 之间（对应 GWD 工作频率 10-10,000 Hz 范围内的噪声）。
  • 能量不对称性 ($\Delta$) 满足 $\Delta \le V/3$。
• 对比分析： 将 MTP 生成的结果与之前使用 mSW 势函数生成的 200 个样本的结果进行对比，并与实验数据（径向分布函数、内耗等）进行验证。

3. 关键贡献与结果 (Key Contributions & Results)

A. 结构性质验证

• MTP 生成的非晶硅模型在平均结构性质（如径向分布函数、密度、配位数缺陷浓度）上与实验数据及 mSW 模型高度一致。
• 细微差异： MTP 模型的应变能略低于 mSW 模型，表明其结构更接近实验观测，缺陷浓度（过配位和欠配位原子）与 mSW 相当。

B. 双能级系统 (TLS) 的密度与分布

• TLS 密度显著增加： MTP 模型中识别出的 TLS 密度为 4.18 个/1000 原子，是 mSW 模型（1.95 个/1000 原子）的 两倍多。
• 能垒分布差异： 虽然平均能垒相似（MTP: 0.51 eV, mSW: 0.48 eV），但 MTP 模型中高能量势垒（>0.4 eV）的 TLS 更为普遍。这归因于 MTP 模型网络更刚性，状态转换需要克服更高的能垒。
• 原子位移特征： MTP 中的 TLS 涉及更少的原子（平均 14 个 vs mSW 的 22 个），但单个原子的位移幅度更大。这表明 MTP 的能量景观更“平滑”，原子在激活后更容易回到原位，或者需要更大的位移才能找到新的稳定态。

C. TLS 机制分类

研究将 TLS 分为三类：键跳跃（Bond-hop）、键交换（Bond-exchange, WWW 机制）和其他。

• 键跳跃 (Bond-hop)： 两种势函数下的密度相似。
• 键交换 (Bond-exchange)： 这是主要差异点。 MTP 模型中涉及复杂键交换机制（Wooten-Winer-Weaire 机制）的 TLS 数量约为 mSW 模型的两倍。
• 结论： 经验势函数（mSW）倾向于预测简单的键跳跃机制，而基于 DFT 的 MTP 揭示了更多复杂的、涉及键交换的局部重排机制。

D. 事件关联性与内耗计算

• 独立性： 绝大多数（99 个/117 个）TLS 是孤立事件，原子不参与其他事件。这表明 TLS 在空间上主要是独立的，而非形成大的连通耗散盆地。
• 内耗（损耗角）预测： 利用 TLS 数据计算损耗角 $Q^{-1}$。
  • MTP 计算结果与实验测量的非晶硅内耗数据高度吻合。
  • 相比之下，mSW 的结果存在偏差（尽管在修正了弹性模量因子后有所改善，但 MTP 仍更优）。
  • 这证明了 MTP 不仅提供了正确的 TLS 密度，还正确捕捉了 TLS 的分布和机制，从而能更准确地预测宏观物理量。

E. 势函数验证

• 将 MTP 找到的极小值和鞍点用 mSW 和另一种机器学习势（GAP 拟合的 Ind16/Ind20）重新优化。
• 结果显示，MTP 和 Ind20（另一种 ML 势）之间的结构相关性很高，而与 mSW 的相关性较低。这进一步证实了 ML 势在描述原子尺度机制上的优越性。

4. 意义与结论 (Significance & Conclusions)

• 方法论突破： 该研究成功展示了结合 DFT 精度的机器学习势函数（MTP）与高效采样算法（ARTn）在研究无序系统（如非晶硅）微观机制方面的强大能力，解决了传统 DFT 计算尺度受限和经验势函数精度不足的问题。
• 物理机制修正： 研究揭示了以往基于经验势函数的模型可能低估了非晶硅中复杂 TLS（特别是涉及键交换机制）的数量。这种微观机制的差异对于理解材料的耗散行为至关重要。
• 对引力波探测的指导： 由于 TLS 是引力波探测器涂层热噪声的主要来源，更准确地理解 TLS 的原子机制（如键交换的主导地位）有助于开发更有效的策略来抑制噪声（例如通过材料工程控制特定的键合结构）。
• 通用性启示： 尽管机器学习势函数之间可能存在细微差异，但它们与经验势函数之间的差异更为显著。要真正理解无序系统中的耗散现象，必须使用基于第一性原理（DFT）训练的高精度势函数来获取正确的原子细节。

总结： 这项工作通过引入高精度的 MTP 势函数，修正了非晶硅中 TLS 的统计分布和微观机制认知，发现 TLS 密度更高且机制更复杂（更多键交换），并成功复现了实验观测到的内耗水平，为下一代引力波探测器镜面的材料优化提供了关键的理论依据。