编辑丨coisini
非晶硅（α-Si）是研究最广泛的无序网络固体之一，其结构已经被研究了几十年。两种主要理论分别基于连续随机网络模型和「类晶体」模型，后者被定义为在保持整体非晶网络的同时，表现出类似于晶体状态的局部结构有序性。然而，这种局部有序性的程度一直不明确。
最近，一篇题为《Signatures of paracrystallinity in amorphous silicon from machine-learning-driven molecular dynamics》的论文利用机器学习驱动的模拟方法，系统地采样了淬火硅的构型空间，从而揭示了非晶化和结晶化之间的界限。这项研究为非晶网络看似矛盾的理论提供了统一的解释。研究团队来自牛津大学等机构，论文发表在《Nature Communications》上。
论文地址：https://www.nature.com/articles/s41467-025-57406-4
简单来说，该研究采用精确且高效的 teacher–student 方法，系统地对非晶硅的构型空间进行了采样，以探索完全无序结构与晶体结构之间是否存在中间状态。
该研究将准确但相对较慢的「teacher」机器学习势（Si-GAP-18）蒸馏成一个更快的「student」模型，其中使用矩张量势（MTP）。
该研究在分子动力学（MD）模拟中创建了一个非晶硅结构模型库，这些模型的参数经过了系统性变化。具体而言，该研究对四种系统规模（64、216、512 和 1000 个原子）进行了熔融淬火模拟，并采用四种淬火速率：10^13、10^12、10^11 和 10^10K/s。
为了获得一组不相关的结构，该研究仅从每次熔融淬火模拟中提取最后一帧，最终得到了一个包含 3069 个独特结构（约 130 万个原子）的数据集。
尽管类准晶介于 CRN 和类多晶之间，但它在拓扑和能量上与前者有显著的重叠。该研究选择在重叠范围内的四个 1000 原子的类准晶结构（标记为 I 至 IV），进行了更详细的分析。
然后该研究分析了数据集中的聚类趋势：
分析结果使该研究提出了一种修正的类准晶硅模型，该模型与高质量的实验数据一致。
感兴趣的读者可以阅读论文原文，了解更多研究内容。
