无定形物质结晶成亚稳态晶体的过程，对从地质到生物再到材料合成等诸多领域至关重要。准确预测这一过程一直是科学难题，因为它超出了现有分子建模技术的范围。google deepmind的研究人员提出了一种名为a2c的新型计算方法，利用深度学习原子间势，在原子尺度上对无机材料的非晶前体结晶过程进行预测。
a2c方法能够高精度地预测多种材料（包括氧化物、氮化物、碳化物等）中，由无定形前体成核的多晶型物的最可能晶体结构。该研究成果发表于《Nature Computational Science》。
无定形固体结晶时，首先形成的通常是亚稳态晶体，而非热力学基态。这种亚稳态相的形成广泛存在于自然界，例如无定形碳酸钙结晶成球霰石、霰石或方解石。在材料科学中，非晶态到晶体的转变也驱动着新技术的开发，例如相变存储器和特殊陶瓷材料。
a2c方法的核心在于利用深度学习，将无序状态下的局部结构模式转化为有序结构，从而预测亚稳态晶体产物。该方法首先构建非晶态前体的原子模型，然后通过能量梯度下降松弛大量非晶态原子构型的子晶胞，从而识别最可能的晶体结构。
上图展示了a2c预测的12个无机系统的初始结晶产物。a2c通过筛选数万个局部结构模式，最终确定与实验结果匹配的晶体结构。
与传统的随机结构搜索(RSS)方法相比，a2c方法效率更高，能够更有效地预测实验中可实现的多晶型物。通过计算加速因子，研究人员量化了a2c方法的优势。
研究人员指出，a2c方法预测的原子位移大小与Buerger分类中的位移和膨胀多晶相变相似，这解释了其预测结果与实验观察结果的一致性。该研究为理解和预测非晶态到晶体的转变提供了新的计算工具，并有望应用于新材料的发现和设计。
论文链接：https://www.php.cn/link/43826cebaa67497d66b6bb8850d6a91a
以上就是高精度识别多材料系统，谷歌DeepMind深度学习方法预测晶体材料，登Nature子刊的详细内容，更多请关注其它相关文章！
