为矛盾的理论提供统一解释,牛津大学等揭秘非晶硅结构

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。

图片

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。

图片

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。

图片

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。

图片

然后该研究分析了数据集中的聚类趋势:

图片

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。

图片

感兴趣的读者可以阅读论文原文,了解更多研究内容。

相关资讯

牛津大学团队使用机器学习方法,来弥合量子设备的现实差距

编辑 | 萝卜皮现实与模拟之间的差异阻碍了固态量子器件的优化和可扩展性。由不可预测的材料缺陷分布引起的无序是造成现实差距的主要原因之一。牛津大学的研究团队使用物理感知机器学习来弥补这一差距,特别是使用结合物理模型、深度学习、高斯随机场和贝叶斯推理的方法。这种方法使科学家能够从电子传输数据推断纳米级电子设备的无序潜力。通过验证算法对 AlGaAs/GaAs 中横向定义的量子点器件所需的栅极电压值的预测来验证这一推论,从而产生与双量子点体系相对应的电流特征。该研究以「Bridging the Reality Gap i

智能体竟能自行组建通信网络,还能自创协议提升通信效率

Hugging Face 上的模型数量已经超过了 100 万。 但是几乎每个模型都是孤立的,难以与其它模型沟通。 尽管有些研究者甚至娱乐播主试过让 LLM 互相交流,但所用的方法大都比较简单。

Transformer革新药物研发:TRACER框架实现反应感知的分子设计与合成优化

编辑 | 2049药物研发周期长、成本高是制药行业面临的重大挑战。 据统计,一个新药从研发到上市平均需要 12 年时间,投入高达 26 亿美元。 为提升研发效率,深度学习在分子生成领域取得了显著进展。