A nuclear-quantum-corrected machine-learning potential reveals quantum-enhanced hydrogen segregation at general grain boundaries in α-iron
本研究引入了一种用于 -铁的核量子修正机器学习势（NQC-PACE），该势利用量子平均力来高效模拟大规模系统，揭示了核量子效应通过选择性地稳定开放且各向异性软化的局部环境，显著增强了氢在一般晶界的偏聚。
原始论文采用 CC BY 4.0 许可（https://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
在追求更清洁未来的征途中，氢气常被誉为终极燃料——一种清洁燃烧的能量载体，能够为从汽车到工厂的一切事物提供动力，而不会向大气中排放碳。然而，在我们用于储存和运输这种气体的材料中，潜伏着一种隐形的危险。氢原子如此之小、之轻，以至于它们可以深入渗透进管道和储罐的金属结构内部，隐藏在原子间的微观间隙中。随着时间的推移，这些被困住的原子会从内部削弱金属，导致其发生突然的裂纹和失效，这种现象被称为氢脆。为了防止这种情况，科学家需要精确了解氢是如何在金属中移动以及它喜欢躲藏在哪里。挑战在于，氢是宇宙中最轻的元素，其行为方式挑战了支配较重物质的常规物理规则。在室温下，氢原子并不会像微小的弹珠那样静止不动；相反，它们以一种跳动的能量进行振动，并以一种经典物理学无法描述的模糊、弥散的状态存在。这种量子行为改变了原子与金属缺陷之间的相互作用，但要在大规模范围内模拟这些效应，在历史上对于计算机而言一直过于缓慢且昂贵。
来自新日铁株式会社（Nippon Steel Corporation）的一位研究人员现在开发出了一种新方法，可以观察到这些隐形的量子效应是如何发挥作用的，揭示了这些效应如何剧烈地改变氢在钢中的行为。这位科学家创建了一个复杂的计算机模型，这是一种经过训练以预测原子如何相互作用的人工智能，但有一个关键的转折点：他们教会了模型去考虑室温下氢原子的量子跳动。他们从一个强大的现有模型开始，该模型可以描述铁和氢在许多不同情况下的表现，从完美的晶体结构到像裂纹和晶界这样的受损区域。为了加入量子层，他们并没有为每一种场景都运行极其缓慢的直接量子模拟。相反，他们在一组具有代表性的结构上运行了一种特定类型的量子模拟，以测量由于氢原子的量子特性而产生的平均力。然后，他们利用这些测量结果来“重新标记”其人工智能模型的训练数据。结果是一个全新的、运行速度极快的新模型，它在内部承载着量子物理的记忆，使其能够模拟数百万个原子，同时仍能捕捉到氢那种微妙、模糊的行为。
当研究人员使用这个新模型来研究氢如何在晶界（即微小金属晶体相遇处的隐形缝隙）处聚集时，他们发现与忽略量子效应的旧模型相比，存在惊人的差异。在经典视角下，氢原子会以一种可预测且适度的量沉降在这些边界中。但当包含了原子的量子特性时，模型显示氢在这些边界处的聚集变得更加激进。聚集在这些缝隙中的氢量增加了大约两倍半。这是因为氢的量子特性使其在某些开放、宽敞的金属结构口袋中更加稳定，而经典物理学会认为这些口袋过于松散而无法容纳它。研究人员发现，氢更倾向于这些特定的、略微扭曲的位点，在这些位点中，周围铁原子的排列方式允许氢进行更自由的振动。这种环境的“软化”降低了氢留在那里的能量成本，从而有效地吸引了更多的原子进入陷阱。
研究还表明，这种量子增强的捕获作用与现实世界的实验比以往的理论更吻合。在实际测试中，在钢晶界中发现的氢量以及将其拉出的能量，与这个新的量子修正模型的预测匹配得远比旧的经典模型要紧密得多。经典模型始终低估了氢聚集的量以及其抓取强度。研究人员指出，在实际实验中，钢中通常存在的微量碳可能会与氢竞争这些相同的位点，这可以解释为什么测量值会略低于纯铁模拟值。即便存在这种竞争，新模型也提供了更清晰的底层物理图景。通过证明量子效应不仅是一个微小的细节，而且是氢损伤钢材的主要驱动力，这项工作为设计更安全的材料提供了新的工具。它允许科学家进行以前无法实现的规模化模拟，有助于精确预测氢将在何处以及如何削弱结构，这是构建可靠的氢能动力世界的重要一步。
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。