npj Computational Materials：激光驅動原子動力學的全尺度第一性原理模擬

一、【導讀】

激光驅動過程是一種常用的方法，可以將材料推入極端非平衡狀態，從而研究材料在這種狀態下的響應。這種方法在材料科學領域有著廣泛的應用，例如在材料加工、能源轉換、光電子學等領域。然而，激光驅動過程的復雜性和高度非平衡狀態使得對其進行理論模擬變得非常困難。目前的模擬方法難以捕捉激光誘導過程的非熱性質和固有尺度，導致了關于材料響應的爭論和先驗假設。 為了解決這些問題，近年來出現了一些新的模擬方法，例如基于第一性原理的分子動力學模擬、混合原子-連續體方法等。這些方法可以更準確地描述材料在極端條件下的響應，但是它們的計算成本非常高，難以應用于大規模的模擬。 為了克服這些困難，深度學習技術被引入到材料科學領域中。深度學習技術可以通過學習大量的數據，構建出高效的模型，從而實現對材料響應的準確預測。近年來，深度學習技術已經在材料科學領域中得到了廣泛的應用，例如在材料發現、材料設計、材料性能預測等方面。

二、【成果掠影】

近日，國防科技大學戴佳鈺教授團隊將深度學習模型與混合原子-連續體方法相結合，實現了對激光驅動材料響應的全面且準確的原子動力學模擬，從而架起了實驗和模擬之間的橋梁。相關的研究成果以“Full-scale ab initio simulations of laser-driven atomistic dynamics”為題發表在npj Computational Materials上。

三、【核心創新點】

通過構建電子溫度依賴的深度神經網絡勢能表面，將激發態引入第一性原理模擬中，實現了對整個激光驅動微觀動力學過程的直接模擬，并通過大規模的第一性原理模擬，揭示了熱電子引入的非熱效應在調制晶格動力學、熱力學路徑和結構轉變中發揮了主導作用。

四、【數據概覽】

圖1 ?高效、精確地模擬激光驅動的原子動力學的工作流程示意圖。 ??2023 Springer Nature

圖2 驗證ETD-DP模型的準確性。 ??2023 Springer Nature

圖3? 使用 TTM-DPMD 方法捕獲非熱效應。 ??2023 Springer Nature

圖4 熱電子改變熱力學途徑。 ??2023 Springer Nature

五、【成果啟示】

本文中，作者介紹了一種新的方法，將深度學習模型與混合原子-連續體方法相結合，實現了對激光驅動材料響應的全面且準確的原子動力學模擬，同時，實現了對非絕熱能量交換和原子動力學的控制，從而使得模擬結果更加真實可信。通過構建電子溫度依賴的深度神經網絡勢能表面，將激發態引入第一性原理模擬中，實現了對整個激光驅動微觀動力學過程的直接模擬，從而提高了模擬的準確性和可靠性。此外，通過大規模的第一性原理模擬，揭示了熱電子引入的非熱效應在調制晶格動力學、熱力學路徑和結構轉變中發揮了主導作用，從而深入理解了激光驅動過程中的非平衡動力學行為。這篇文章的研究成果為更深入地研究材料在極端條件下的響應提供了新的思路和方法

文獻鏈接：

https://www.nature.com/articles/s41524-023-01168-4

本文由WYH供稿