Hereditary Effective Atom Theory for Large-Scale Atomic Structure Prediction
本文介绍了遗传有效原子理论（Hereditary Effective Atom Theory, HEAT），这是一种新型遗传算法框架，它利用可微有效原子表示和直接叠加交叉方案，通过克服传统方法面临的组合爆炸挑战，从而高效地预测大规模系统的原子结构。
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
为了理解物质世界，科学家们通常会从一个简单的问题开始：固体内部的原子是如何排列的？在完美的晶体中，这种排列是一种重复的模式，就像地板上的瓷砖一样。但真实的材料很少是完美的。它们包含缺陷、缺失的部分，或者扭曲旋转的复杂层。当科学家试图预测这些结构时，他们面临着一个巨大的谜题。他们不仅必须弄清楚每个原子位于何处，还要确定它是哪种原子，甚至有时还要确定总共有多少个原子。可能性的数量增长得如此之快，以至于即使是最强大的计算机也会在海量的选项中迷失方向。这是一个至关重要的问题，因为原子的排列方式决定了材料的行为，即它是否能够储存能量、传导电流或承受压力。
几十年来，研究人员一直使用一种受进化启发的方法来解决这个谜题。他们创建一个随机原子结构的种群，测试哪些结构最稳定，然后将最好的结构进行混合与匹配，以创造新的世代，希望能进化出完美的解决方案。然而，这种方法在处理大型复杂系统时往往表现不佳。如果初始结构过于混乱，计算机就会陷入死胡同，无法找到通往更好排列的路径。这就像是通过重新洗牌那些已经被错误地粘在一起的拼图碎片来试图解决拼图问题；这些碎片根本无法移动到足够的位置去寻找它们真正的家园。
康奈尔大学的一个研究小组引入了一种名为“遗传有效原子理论”（Hereditary Effective Atom Theory，简称 HEAT）的新方法，它改变了这种搜索的规则。HEAT 不再将原子视为只能移动或交换位置的固定、坚固的物体，而是将它们视为流动的可能性。在这个系统中，结构中的单个位置可以是不同元素的混合物，也可以是空的，计算机在搜索过程中会调整每种可能性的“权重”。这使得结构能够更自由地流动和改变形状。当计算机将两个亲本结构结合以创造子代时，它不仅仅是剪切和粘贴原子块。相反，它将两个完整的结构进行叠加，并让它们共同趋于稳定。在此过程中，原子可以移动、改变身份，或者如果它们挡路了，甚至可以完全消失，而亲本中好的部分则会存活并融合。
研究人员在三个截然不同的挑战中测试了这种方法，难度依次递增。首先，他们尝试重建用于储氢的复杂晶体内部缺失的氢原子层。虽然重原子的位置已知，但轻质氢原子在数据中是缺失的。使用这种新方法，团队仅通过两轮进化就恢复了 24 de 240 个氢原子的精确排列。标准方法在使用了相同的起始点和计算能力后，即便经过二十轮尝试也未能找到正确答案。由于原子可以平滑地滑动到位，而不是在僵硬的网格中跳跃，因此新方法能以更少的工作量找到解决方案。
接着，他们处理了铁中一种被称为“刃型位错”的缺陷，这是一种控制金属弯曲和断裂的原子错位线。在这里，缺陷核心的原子数量是未知的，且排列高度扭曲。标准方法难以确定需要多少个原子以及它们应该放在哪里。然而，HEAT 允许原子在结构趋于稳定时出现和消失，最终在仅四代之后就找到了由 364 个原子组成的正确核心。标准方法在多次尝试后，仍然停留在无序状态，无法调和亲本结构之间相互竞争的排列。
最严苛的测试涉及一种名为二硒化钨的扭曲薄片，其中包含超过一千个原子。研究人员被要求根据一张来自电子显微镜的模糊三维图像来构建原子结构。该图像在侧向非常清晰，但在垂直方向上很模糊，导致每个原子的高度不确定。HEAT 将图像数据与物理定律相结合来引导搜索。它成功重建了扭曲的层，高精度地匹配了实验图像，并找到了比标准方法能量更低的结构。标准方法产生的结构与真实的图像完全不符，未能解析出层间复杂的扭转现象。
这些结果表明，通过允许原子在搜索过程中具有流动性和可变性，科学家可以更高效地在庞大的可能结构景观中进行导航。该方法不需要完美的初始猜测或已知的模板。它的工作原理是让结构能够呼吸和调整，从而找到刚性方法无法发现的稳定性路径。这种能力意味着，科学家现在可以以前所未有的速度和准确度，预测大型、杂乱或未知材料的原子细节，为设计更好的能源、电子和工程材料开启了大门。
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。