新年首篇Nature封面——機器學習揭示致密非晶態硅的復雜性

【基礎知識】

機器學習（Machine Learning, ML）是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

硅（Si）是一種密度會隨著熔化而增加的小類元素。例如，漂浮在液態水上方的結晶冰也有這種不尋常的行為。這種意想不到的固體和液體密度的逆轉與一種稱為多晶現象有關，而多晶現象是指一種物質以具有不同結構和性質的不同非晶相存在的能力。

【成果介紹】

目前，最先進的實驗和計算技術手段對非晶態Si中的結構轉變仍缺乏詳細的機理理解。在2021年1月6日，Nature在線發表了題為“Origins of structural and electronic transitions in disordered silicon”的文章。在文中，英國牛津大學Volker L. Deringer（通訊作者）等人展示了在精確的量子力學計算上的原子機器學習模型如何幫助描述100000個原子（10 nm長度）系統的液態-非晶態和非晶態-非晶態轉變，預測結構、穩定性和電子性質。該模擬揭示了非晶態Si在不斷增加的外部壓力下的三步轉變過程：首先，發現了多晶態低密度和高密度非晶態區共存，而不是依次出現；接著，觀察到了一個結構坍塌變成一個獨特的非常高密度的非晶（VHDA）相；最后，該模擬表明這種VHDA相的瞬態性質：它能迅速地使微晶成核，最終形成多晶結構，與實驗結果一致，但是在早期的模擬中沒有發現。電子態密度的機器學習模型證實了在VHDA形成和隨后結晶過程中金屬豐度開始變化。總之，這些結果揭示了硅的液態和非晶態轉變，并且在更廣泛的背景下，說明了機器學習驅動的方法來預測材料建模。

在同一天，Nature上發表以題為“Machine learning reveals the complexity of dense amorphous silicon”的評論文章。

【背景介紹】

眾所周知，在環境條件下，液態硅是一種金屬電導體，而固態硅是一種半導體，因而支持了其在從計算機芯片到太陽能電池板等技術中的應用。在室溫和壓力下，固體可以采用晶態形式或結構上無序的非晶態形式。在這兩種情況下，每個原子都以四面體排列鍵合到另外四個原子上。但是，晶態固體和非晶態固體都在壓縮下轉變為更致密的結構，該過程伴隨著向金屬導電性能的轉變。

其實，早在20世紀70年代，研究人員利用量熱實驗研究了在加熱和冷卻過程中，伴隨著非晶態Si和晶態Si間轉變的能量變化。結果表明，Si存在兩種非晶態形式且相互間存在相變，Si可從低密度非晶（LDA）相變為高密度非晶（HDA）相，LDA相的配位數為4，而HDA相的結構類似于金屬液態硅。在快速加熱和室溫下，非晶態Si壓縮過程中觀察到了LDA-HDA轉變，但是涉及非晶態的結構轉變比較難研究。

計算模擬的優勢：它們能可視化原子在不同階段的排列，并且預測和解釋由此產生的性質。存在主要挑戰：總是建立足夠的原子模型，以便能夠將模擬結果與實際樣品的宏觀數據進行比較，同時保持足夠的精度來描述原子的排列和鍵合。

在研究相變時，計算模擬也受到時間尺度上的限制。目前基于精確量子力學計算的模擬限制在包含幾十到幾百個原子的系統中，需在幾飛秒（1 fs=10^-15 s）時間尺度上進行檢測。計算要求較低的模擬也需要幾百個或幾千個原子。然而，隨著系統尺寸的增大或模擬時間的延長，被研究材料的結構和物理性能預測的準確性會降低。

【成果剖析】

1、該模型可以為100000個Si原子的系統從液態冷卻并壓縮到高達200000個大氣壓（20 GPa）的壓力提供了前所未有的有關結構和鍵能信息，表示可以建模的原子數量大大增。

2、該方法的精度接近使用量子力學計算從第一性原理進行的最佳模擬的精度。

3、最關鍵的是，該模擬系統足夠大，既可以揭示非晶態原子團簇的亞穩態聚集，又揭示了結晶現象，而這些現象無法通過使用較少原子數的模擬或使用不太精確的模型來描述。

4、很好地再現了實驗觀察到的Si宏觀熔化、其他相變和金屬行為開始的溫度和壓力。

5、在壓縮過程中發生的結構變化比以前的更為復雜，非晶態結構是逐漸演化，產生高配位數的高密度納米疇，這些疇在原來的四面體LDA結構中變化。

6、隨著密度的增加，HDA疇間形成了連接，產生一種具有大塊金屬導電性的材料。在實際中，通過對壓縮的Si施加定向應力，有可能改變這種金屬導電性。

7、當系統被進一步壓縮時，約25%的體積會很快坍塌，從而產生非常高密度的金屬狀態。在納秒（ns）時間尺度上迅速結晶，形成Si金屬相納米疇。該結果對理解不同液相和玻璃態結構之間的多晶轉變有更普遍的意義。

圖1、大規模的模擬非晶態Si

此外，該方法能夠精確模擬皮秒（1 ps=10^-12 s）時間尺度上的非晶態Si結構、液體和晶相之間、液體和玻璃之間以及兩個非晶態相之間轉變相關的溫度和壓力范圍。因此，該成果提供了一個機會來研究難以探測的大量非晶態材料的轉變，也有助于探索將非晶態Si或Si中含有少量其他元素的摻雜材料轉化為含有金屬和半導體疇的納米結構。總之，這種納米結構可以為開發新技術，如電子通信、數據處理和能量收集等領域提供許多機會。

文獻鏈接：

1.https://www.nature.com/articles/s41586-020-03072-z

2，https://www.nature.com/articles/d41586-020-03574-w

本文由CQR編譯。

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：cailiaorenvip.