Atomistic Modeling of Chemical Disorder in Materials: Bridging Conventional Methods and AI-Assisted Approaches
本综述概述了一条通过将传统方法与人工智能驱动的方法相结合，以实现具备无序原生能力的现实材料发现，从而弥合实验无序描述与模拟需求之间表征差距的实践路线图。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
材料科学家早已知晓，最有用的固体很少是完美的。在教科书那理想化的世界里，原子像阅兵时的士兵一样，整齐地排列在重复的行阵中。但在现实世界中，特别是在驱动我们的电池、发动机和电子设备的金属合金与复杂陶瓷中，原子的景观却是混乱的。不同类型的原子交织在一起，在晶体结构中共享相同的位点，形成一种混沌的混合。这种“化学无序”并非缺陷；它往往正是使材料变得坚固、导电或具备储能能力的特性所在。问题在于，虽然科学家可以在实验室中观察到这种混乱的平均结果，但他们却很难在计算机上对其进行模拟。计算机通常需要一张完美的有序地图来进行计算，但我们所关注的材料恰恰是由其缺乏秩序所定义的。
由布法罗大学和新加坡国立大学研究人员撰写的一篇新综述论文探讨了这一差距。它描绘了科学家如何从旧有的、简化的猜测无序运作方式的方法，转向能够真正捕捉混乱原子世界复杂性的新型人工智能驱动方法。作者认为，对于下一代材料发现而言，我们不能仅仅假装无序不存在。相反，我们必须学会对这种混沌本身进行建模，将一个表征上的障碍转化为我们可以控制的工具。
几十年来，研究这些混乱材料的标准方法是将其“平滑化”。如果计算机需要计算一种铁和镍随机混合的合金的性质，科学家会告诉计算机去想象一个单一的、“平均”的原子，这个原子一半是铁，一半是镍。这种被称为“虚拟晶体近似”的技巧让数学计算变得简单且快速。它对于某些宏观趋势的效果尚可，但它抹杀了局部现实。在真实的合金中，一个铁原子可能被镍原子邻居包围，从而产生一个特定的局部环境，这会改变电子的运动方式或材料的弯曲程度。平均模型忽略了这些关键细节，往往导致预测结果在理论上看起来很好，但在实验室中却宣告失败。
为了更接近真相，研究人员开发了更复杂的、试图对无序进行采样的方法。一种流行的技术涉及构建一个巨大的原子块，其排列经过精心设计，使其看起来是随机的，从而模拟无限材料的统计行为。另一种方法使用了“簇扩张”（cluster expansion），这本质上是一种数学配方，可以根据原子的分组方式来预测任何排列的能量。这些方法是巨大的进步，使科学家能够观察到平均模型所忽略的短程模式和局部偏好。然而，它们也付出了沉重的代价：极其缓慢。为了得到可靠的答案，计算机可能需要检查数百万种不同的原子排列，即使是使用最强大的超级计算机，这项任务也可能耗时数年。
这正是新综述所强调的转折点所在。作者描述了人工智能如何介入，以弥合速度需求与准确性需求之间的鸿沟。人工智能帮助的第一种方式是充当超快速计算器。科学家不再需要为每一种原子排列都运行缓慢、沉重的物理模拟，而是可以利用一小组示例来训练人工智能模型。一旦训练完成，该模型就能在不到一秒的时间内预测出新的、混乱排列的能量和行为。这使得研究人员能够探索广阔的可能性图谱，检查数百万种构型以寻找那些真正稳定或有用的构型，这在以前是无法实现的。
但该论文进一步指出，人工智能不仅仅是一个更快的计算器；它正在改变我们看待无序的方式。作者指出，传统方法通常将无序视为一个需要通过平均化或采样固定选项来解决的问题。然而，人工智能正在学习直接生成无序。新的生成模型现在可以创建符合物理定律的、真实的、杂乱的原子结构，而无需人类先手动构建它们。这些模型可以学习原子混合的“规则”，产生反映材料真实统计特性的结构系综。这是一种从“试图将混乱的现实强行塞入整齐的盒子”向“让计算机以符合物理一致性的方式生成混乱”的转变。
综述还强调，人工智能正在帮助科学家理解材料的历史。无序不仅仅是一种静态状态；它通常是材料制造过程的结果。如果你快速冷却金属，原子可能会卡在一个无序的状态中，尽管这不是最稳定的状态，但却是它们在有限时间内能达到的状态。人工智能模型正开始学习这些动力学路径，预测在不同条件下无序是如何形成并演变的。这使得科学家不仅可以为材料的最终状态进行设计，还可以针对实现该状态的具体加工步骤进行设计。
尽管取得了这些进展，作者警告说我们尚未到达终点。最大的挑战仍然是将这些计算机模拟与我们在实验室中实际观察到的现象联系起来。实验通常给我们提供材料的平均图像，而模拟则试图构建一个具体的、详细的图像。作者认为，要使人工智能真正发挥作用，必须根据真实的实验数据进行校准，而不仅仅是根据其他计算机模型。我们需要确保人工智能学习的是“正确类型”的无序——即在真实的电池或喷气发动机涡轮机中实际存在的无序。
论文最后提出了一个未来蓝图。它呼吁开发新一代“原生于无序”（disorder-native）的工具，这意味着这些工具从底层构建时就考虑到了混合原子、缺陷和变化条件带来的复杂性。这包括更好的处理方式，以应对原子根据其邻居的不同而改变其电荷或磁性能的情况，以及处理表面和界面与体相表现不同的情况。目标是超越简单的近似，创建一个将化学无序视为可控设计参数的框架。通过掌握这种混沌，科学家希望开启一个新时代，创造出更强韧、更高效、且更适应现代技术复杂需求的材料。从抹平混乱到精准建模的旅程正在展开，它有望变革我们发现和构建未来材料的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。