Systematic and accurate anharmonic formation free energies of metastable defects via a constrained Bayesian Adaptive Biasing Force framework

在原子的隐形世界里，物质从未真正静止。即使是在一块坚固的金属块中，原子也在不断地振动、碰撞，并偶尔交换位置。当材料受到辐射或极端热量的破坏时，就会出现被称为“缺陷”的微小瑕疵。这些缺陷不仅仅是孔洞或缺失的部分；它们是复杂的重排现象，原子在此处聚集或留下间隙。长期以来，科学家们一直深知，要预测材料在压力下的行为，必须理解这些缺陷的能量。然而，计算这种能量极其困难，因为原子的运动并非遵循简单、可预测的模式。相反，它们的运动是混乱且相互关联的，这种现象被称为“非谐性”。此外，许多此类缺陷是亚稳态的，这意味着它们处于一种暂时的、不稳定的状态，如果原子移动得稍远一点，这种状态就很容易坍塌成其他形态。几十年来，这种复杂性一直阻碍着研究人员建立关于这些缺陷在不同温度下如何表现的完整库，从而在设计用于核反应堆或太空探索的材料方面留下了空白。

巴黎萨克雷大学（Université Paris-Saclay）的一个研究小组现在开发出了一种解决这一问题的实用方法。他们创建了一个计算框架，能够准确测量这些不稳定缺陷的形成自由能，而不至于丢失对它们的追踪。在他们的研究中，他们以铁（一种对核能至关重要的材料）为研究对象，考察了四颗额外的铁原子聚集成簇的数千种不同方式，以及四个缺失原子（空位）如何进行排列。挑战在于，标准的计算机模拟在这里经常失效：随着温度升高，原子的振动变得异常剧烈，以至于它们会脱离科学家试图研究的特定缺陷形状，导致计算过程坍塌成另一种无关的状态。研究人员通过使用一种称为“约束贝叶斯自适应偏置力”（constrained Bayesian Adaptive Biasing Force）的方法克服了这一难题。这种技术就像一个温柔的、无形的引导者，将原子保持在所研究的特定缺陷形状的边界之内，同时在数学上修正由于原子被束缚而产生的影响。这使得计算机能够在不让缺陷解体的情况下，对原子混乱的高温振动进行采样。

这项工作的成果是一个包含数百种不同缺陷构型的能量值的海量、系统性的数据库。研究人员使用两种不同类型的原子相互作用数学模型测试了他们的方法：一种是沿用多年的传统模型，另一种是基于机器学习的新型数据驱动模型。他们发现，传统模型产生的能量景观粗糙且不规则，导致难以获得一致的结果，尤其是在高温环境下。相比之下，机器学习模型提供了一个更加平滑的景观，使得该方法能够以极高的稳定性和精度运行。团队进行了数千次独立计算，涵盖了广泛的温度范围，并发现其方法失败的案例不足百分之一。对于包含约一千个原子的此类规模的系统而言，这种可靠性是前所未有的。他们实现的精度使得能量测量的误差小于每个原子千分之一电子伏特，而这正是进行材料稳定性现实世界预测所需的精度。

或许最重要的一点是，这项研究揭示了缺陷形状的简单性与其能量复杂性之间的深层联系。研究人员发现，仅仅通过观察缺陷在低温下的简单振动，就能以惊人的准确度预测其在高温下的混乱行为。这表明，高温下原子运动的复杂、混乱的现实并非完全随机，而是低温下观察到的简单模式的一种放大版本。这一发现为利用更简单、更快速的计算来估算极端条件下的缺陷行为打开了大门。通过证明这种约束方法在数千种不同缺陷形状和两种不同类型的原子模型中均能可靠运行，研究人员提供了一个可以应用于几乎任何材料的通用工具。这项工作消除了材料科学中的一个主要瓶颈，为理解材料中最小的缺陷如何决定其在最严酷环境下的强度和耐久性提供了清晰的路径。