Глубокая генеративная модель для условного предсказания кристаллической структуры натрийамида

Почему это исследование важно для будущей чистой энергетики

Безопасное и компактное хранение водорода имеет решающее значение для технологий чистой энергии — от автомобилей на топливных элементах до накопителей в энергосистеме. Один из материалов, который облегчает дегидрирование других соединений, — это натрийамид, простая соль из натрия и амидных (азот–водород) групп. Тем не менее учёные до конца не понимали, как меняется его атомная структура при сильном сжатии — условиях, которые могут открыть новые полезные формы вещества. Эта работа сочетает передовые рентгеновские эксперименты с моделью глубокого обучения, чтобы раскрыть давно загадочную высокодавлениевую фазу натрийамида и предложить новый путь для решения аналогично сложных кристаллических структур.

От полезной соли к загадке при высоком давлении

Натрийамид сам по себе не хранит огромных объёмов водорода, но играет важную вспомогательную роль в смесях с другими металлическими гидридами, помогая им выделять водород при более низких температурах и с лучшей эффективностью. В нормальных условиях его кристаллическая структура — то есть как атомы располагаются в периодическом узоре — хорошо известна. Ранее измерения при высоком давлении показали, что при увеличении давления натрийамид проходит через несколько фаз, помеченных как альфа, бета и гамма, но детальная атомная схема высокодавленийных фаз оставалась неясной. Традиционные вычислительные методы пытались предсказать эти структуры, но расходились с точными рентгеновскими дифракционными данными, указывая на пробелы в моделировании этой ионной системы при сжатии.

Ограничения традиционного поиска и потребность в более умных инструментах

Стандартные методы предсказания кристаллических структур, такие как эволюционные алгоритмы и случайные поиски, исследуют множество возможных расположений атомов и выбирают те, у которых рассчитанная энергия минимальна. Для натрийамида при высоком давлении эти методы предлагали несколько кандидатных структур и фазовых переходов. Однако при сравнении смоделированных рентгеновских картинок от этих кандидатов с экспериментальными данными соответствия оказались слабыми. Корень проблемы в том, что у натрийамида сильные дальнодействующие электрические взаимодействия, направленные связи с водородом и сравнительно большое число атомов в элементарной ячейке. Это создаёт крайне неровный энергетический ландшафт, где релевантные структуры могут не быть глобальными минимумами энергии и легко пропускаться при грубом поиске.

Управляемая генеративная модель, которая изучает ландшафт

Чтобы преодолеть эти сложности, авторы разработали генеративную систему глубокого обучения, адаптированную под натрийамид. Сначала они собрали специализированный набор данных из тысячи правдоподобных структур натрийамида, все с одинаковой большой элементарной ячейкой и постоянным химическим составом, сгенерированных традиционным случайным поиском и уточнённых квантово-механическими расчётами. Каждая структура была разделена на две части: общая форма ячейки, взятая из эксперимента, и компактное описание минимального набора симметрически уникальных молекулярных единиц внутри этой ячейки. Диффузионная нейросеть затем научилась постепенно превращать случайный шум в этом компактном пространстве в реалистичные расположения, в то время как вторая нейросеть оценивала энергию каждого кандидата и мягко направляла процесс генерации в область низких энергий. После генерации модель восстанавливала полную кристаллическую структуру с помощью симметричных операций и отфильтровывала кандидатов с нефизическими расстояниями между атомами или неправильной симметрией.

Разгадка скрытой фазы при высоком давлении

Вооружившись этой моделью, команда сосредоточилась на диапазонах давлений, где эксперименты указывали на появление новых фаз. Они использовали параметры решётки и вероятные типы симметрии, извлечённые из рентгеновских данных, как условия для генератора, обеспечивая исследование только физически релевантных структур. Из сотен сгенерированных кандидатов четыре оказались особенно стабильными при высоком давлении, каждая из разных симметрийных семейств. При строгом сравнении с синхротронными рентгеновскими дифракционными образцами, собранными около 10 гигапаскалей, одна структура — относящаяся к классу симметрии P21/c с 64 атомами в элементарной ячейке — выделилась и показала отличное совпадение. Эту структуру идентифицировали как давно разыскиваемую гамма-фазу натрийамида, стабильную примерно от 2,5 до как минимум 14 гигапаскалей.

Как перераспределение зарядов фиксирует новую фазу

Помимо идентификации структуры, исследователи проанализировали, как распределение электрического заряда и расстояния между атомами натрия меняются при росте давления. Они обнаружили, что в гамма-фазе электроны перераспределяются так, что амидные группы (азот–водород) становятся более отрицательно заряженными, а атомы натрия — более положительными, что усиливает ионное притяжение между ними. Одновременно атомы натрия сближаются, и решётка становится более плотной. В совокупности эти изменения объясняют, почему гамма-фаза особенно устойчива при сжатии и как это может влиять на поведение натрийамида в смесях с другими водородосодержащими соединениями в реальных устройствах.

Шаблон для решения других сложных кристаллов

Проще говоря, эта работа показывает, что умная генеративная модель, направляемая экспериментом, может преуспеть там, где традиционные методы проб и ошибок терпят неудачу. Объединив экспериментальные подсказки, правила симметрии и энергетические расчёты в единую обучаемую схему, авторы смогли раскрыть детальную атомную структуру высокодавленийной фазы, которая годами ускользала от исследователей. Подход должен быть переносим на другие ионные и богатые водородом материалы — например, родственные металлические амиды — важные для хранения водорода и физики высокого давления, открывая более эффективный путь к пониманию и проектированию новых функциональных твердых веществ.

Цитирование: Guan, R., Liu, A. & Song, Y. Deep learning generative model for conditional crystal structure prediction of sodium amide. npj Comput Mater 12, 136 (2026). https://doi.org/10.1038/s41524-026-01994-2

Ключевые слова: хранение водорода, натрийамид, фазы высокого давления, предсказание кристаллической структуры, глубокое обучение в материаловедении