Angew. Chem.：非晶硅及液態硅的定量化學結構和機器學習獲取的原子能量

【引言】

非晶硅的結構被廣泛地認為是四面體連接的連續隨機網絡，但其細節更為精細：缺陷環境，如三重懸掛鍵，以及中程有序度，都還未有定論。結合實驗觀測，原子級計算機模擬已經可以給出關于非晶硅結構的有用信息，而今，大尺度模擬模型中已包含成千上萬的原子。隨著基于線性機器學習的勢函數，可達到接近量子力學級別的精確度，材料模擬有望更加接近真實結果——特別是對于描述非晶固體來說。

【成果簡介】

隨著計算機模擬能力的不斷發展提升，研究人員可以對非晶態材料逐步展開描述，但想要深入理解非晶態材料的精細原子結構，還需要發展新的方法。

近日，英國劍橋大學的Volker L. Deringer博士在Angewandte Chemie上發表了題為“Quantifying Chemical Structure and Machine-Learned Atomic Energies in Amorphous and Liquid Silicon”的文章。文章描述了一個普適的、基于機器學習的局域結構和局域能量定量化方法，非晶硅模型中的所有單個原子都適用。作者首先引入結構坐標將短程序和中程序環境統一化，之后把結構信息和二維分布圖中的能量穩定性坐標相結合。此前的研究中，機器學習預測的原子能量被用作理解分子和晶體結構的穩定性和化學本質、加速結構優化，有關非晶態和液態物質的原子級穩定性及性質的相關信息更加缺乏，因此作者將這一分析方法遷移過來。

【圖文導讀】

圖1：使用熔融快淬模擬并基于機器學習得到量子力學精度的勢函數得到的逐步有序化的非晶硅網絡。

(a)冷卻速率的尺度和相應所需的模擬時間；

(b)隨體系中的短程序逐漸增加，使用既定序參量定量化，處于理想四面體環境時序參量值為1；

(c)隨中程序的增加，計算體系中的六元環數可對結構進行評價；

(d)使用SOAP分析對兩種長度尺度進行統一化描述。

圖2：機器學習獲得的非晶硅原子能量。

(a)樣品的局部結構示意圖，紅色代表具有懸掛鍵缺陷的高能原子，白色代表發生形變的四面體環境的原子，能量居中，藍色代表處于更規整、低形變度的四面體環境的原子，能量最低；

(b)經10¹⁴K/s快淬所得結構的原子能量直方圖；

(c)經10¹¹K/s快淬所得更有序結構的原子能量直方圖；

(d)二維圖像表示結構序和單個原子的高斯近似勢局域能的關聯；

(e,f) 經10¹¹K/s快淬鎖的結構的局域電子態密度，可以看出三鍵和五鍵的配位缺陷有著不同的電子“指紋”。

圖3：液態硅及其快冷過程中演變為非晶態構型的“機器學習化”原子能量。

【小結】

文章呈現了基于機器學習技術如何從定量化學的視角給出非晶硅原子尺度的結構信息。作者通過局域穩定性的定量描述，將最近鄰結構和次近鄰結構信息相結構。作者用這一方法對不同有序度的非晶硅系綜進行分析，通過不同的能量穩定性區域將非晶硅的配位缺陷聯系起來，這一方法也可以應用于局域能在發生玻璃化時出現明顯轉變的液態硅。該方法直接明了且應用成本較低，因此對于發展對液態和非晶態物質的定量化理解有著更為普遍的意義。

文獻鏈接：Quantifying Chemical Structure and Machine‐Learned Atomic Energies in Amorphous and Liquid Silicon（Angew. Chem.，2019，DOI：/10.1002/ange.201902625）

本文由材料人計算材料組Isobel供稿，材料牛整理編輯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaokefu