A high-dimensional neural network potential for finite-temperature phenomena in NiTi martensite

想象一个材料可以“记住”其原始形状的世界。如果你弯曲一个回形针，它会保持弯曲状态。但如果你弯曲一根由镍和钛制成的特殊金属丝，只要加热，它就会立刻弹回笔直的状态。这种神奇的行为被称为“形状记忆效应”，这也是这些金属被广泛应用于医疗支架（在动脉内展开）以及机器人肌肉（进行收缩和舒张）的原因。然而，几十年来，科学家们一直对这些金属为何能如此轻易地弯曲而不折断感到困惑。这就像是试图仅通过观察外部来理解一台复杂机器的工作原理；内部是一个难以观测、更难以预测的原子纠缠乱局。

为了解决这个谜题，研究人员使用了两种主要工具。第一个是超精确的计算机方法——密度泛函理论（DFT）。可以将 DFT 想象成一台高分辨率显微镜，它能看到每一个原子并精确计算它们如何相互作用。它极其精确，但由于计算量巨大且速度极慢，它只能处理极小规模的原子群——就像试图通过观察一栋房子来模拟一整座城市。第二个工具是分子动力学（MD），它就像一部原子的快动作电影。它可以处理庞大的原子群体和较长的时间跨度，但它通常依赖于并不总是完全准确的“猜测”规则。材料科学面临的重大挑战一直是弥合这两者：既要获得电影般的运行速度，又要拥有显微镜般的精确度。

本文介绍了一个巧妙的解决方案：一种“高维神经网络势函数”（HDNNP）。想象一下，训练一个超级聪明的 AI 机器人，充当缓慢、精确的显微镜与快速、宏观的电影之间的翻译官。研究人员将镍钛原子行为的数千个示例（基于超精确的 DFT 计算）喂给了这个 AI。训练完成后，这个 AI 可以以 DFT 级别的精度预测原子的移动和相互作用，但其运行速度足以模拟大规模系统和长时间跨度。利用这个新工具，团队发现镍钛金属并非只是静止不动；其内部结构在加热时会以一种非常特定的、单向的方式发生位移和滑动。他们发现，这种金属弯曲并恢复形状的能力，与原子所采取的一种独特的、平滑路径有关，而这在之前仅是一个理论。这个新模型让科学家终于能够观察到数千个原子在金属变形时的“舞蹈”，从而为为什么这种神奇材料如此坚韧且富有弹性提供了更清晰的图景。

关于“智能”金属的故事

镍钛合金（NiTi）是形状记忆合金中的明星。它以能够在弯曲或扭曲后恢复原始形状而闻名，这种绝活得益于两种晶体结构之间的可逆转变：立方结构的“奥氏体”相和单斜结构的“马氏体”相。虽然我们知道这种金属是如何工作的，但允许其具有如此高延展性（伸展性）和强度的精确原子舞蹈过程，在很长一段时间内仍是一个谜。科学家们长期以来一直怀疑，马氏体相（即“弯曲”状态）具有一种特殊的变形方式，涉及一种特定类型的滑动，但证明这一点一直很难，因为可能的原子排列之间的能量差异极其微小，大约在每个原子毫电子伏特（meV）的量级。

构建“水晶球”

为了破解这个密码，作者构建了一种新型计算机模型。他们没有使用那些近似原子相互作用的传统方程，而是训练了一个神经网络（一种人工智能），让它直接从高精度数据中学习物理规则。他们使用密度泛能理论（DFT）生成了一个包含 7,300 种不同原子构型的庞大数据集，涵盖了从微小的 4 原子胞到大型的 180 原子块。这些构型包括处于静止状态、被拉伸状态以及温度从绝对零度到 700 开尔文下的金属。

这个被称为高维神经网络势函数（HDNNP）的 AI 被教导去预测任何原子排列下的能量和力。为了确保 AI 是在真正学习而非仅仅是死记硬背，研究人员采用了“委员会”机制。他们训练了七个略有不同的 AI 版本。如果这七个模型在特定情况下产生分歧，研究人员就知道遇到了 AI 尚未掌握的棘手情况，于是会针对该特定场景增加训练数据。这种被称为“主动学习”的过程持续进行，直到 AI 的预测表现出惊人的连贯性，其力预测误差小于 0.03 eV/Å。

AI 的发现

一旦 AI 训练完成，研究人员就对其进行了测试。首先，他们检查了 AI 是否能重现已知事实。AI 正确识别出，在极低温度（0 K）下，金属最稳定的结构实际上是一种被称为 B33 的正交结构，尽管实验中通常观察到的是被称为 B19' 的单斜结构。这是一个至关重要的检查，因为之前的理论一直难以解释为什么金属没有停留在 B33 状态。AI 证实，B19' 结构仅在稳定性上略逊一筹，且这种微小的能量差异高度依赖于温度。

接下来，团队研究了金属如何变形。他们计算了“堆垛层错能”，这本质上是一张显示滑动一层原子需要多少能量的地图。这张地图揭示了一个惊人的结果：该金属具有高度的各向异性，这意味着它的行为取决于方向。原子的滑动只有一条容易的路径，具体是在 (001) 面上的 [100] 方向。所有其他方向都像是试图把巨石推上陡峭的山坡。这种单一的、易于滑动的路径解释了为什么金属可以在不折断的情况下经历巨大的塑性变形，作者将其与一种称为“皱褶”（kinking）的机制联系起来，即皱褶在材料中形成并移动。

温度之舞

真正的魔力发生在升温之时。利用 AI，研究人员在包含 32,000 个原子的庞大系统中运行了分子动力学模拟，让结构在温度从 50 K 上升到 700 K 的过程中自由演化。在这些模拟中，原子被允许移动，且晶胞形状可以发生变化，没有任何人为约束。

他们观察到了一个渐进且平滑的转变过程。在低温下，原子稳定在非常接近 B33 基态的结构中。随着温度升高，结构通过原子块的剪切运动缓慢发生偏移。当温度达到约 450 K 至 700 K 时，结构演变成了实验观察到的 B19' 形状，其单斜角约为 97.8 度。

研究人员将这种“自由”演化与一种传统方法进行了对比，在传统方法中，他们被迫让结构沿着单一路径（仅改变角度）进行变化。他们发现，在模拟中自由移动的原子找到了比强制路径更低的能量状态，这表明当给予自由度时，自然界会找到最高效的路径。模拟表明，B19' 结构是由热振动稳定的；随着金属变热，原子的振动方式使得 B19' 形状比 B33 形状更加“舒适”。

为什么这很重要

这项工作不仅证实了旧有的理论，还提供了一个观察原子世界的新视角。通过将量子力学的精确度与经典模拟的速度相结合，作者创建了一个可以处理数十万个原子并在纳秒时间尺度内运行的工具。这使得我们能够观察材料的“无约束”演化，揭示了形状记忆效应的稳定性是晶体结构与热量之间微妙平衡的结果。

研究表明，镍钛合金独特的延展性并非随机属性，而是源于随着材料升温而变得可行的、特定的低能原子滑动路径。虽然该模型目前局限于没有缺陷的理想完美晶体，但它为未来开展包含空位或晶界等现实世界缺陷的研究奠定了基础。作者已将其训练好的 AI 势函数公开，邀请其他科学家使用这个“水晶球”去探索形状记忆合金这一复杂而迷人的世界，并可能为设计未来更好的材料提供助力。