适应环境的机器学习力场用于极端条件下的材料：铪及铪氧化物的多晶型体

这对未来材料意味着什么

从核反应堆到智能手机芯片，许多现代技术依赖于必须经受巨大压力、极高温度和突发冲击的材料。然而，在如此极端条件下模拟原子的行为长期以来一直非常耗时，限制了我们在计算机上设计更坚固、更可靠材料的能力。本文提出了一种构建快速、可自适应机器学习模型的新方法，能够准确追踪铪金属及其氧化物在极端条件下的相变、熔化乃至断裂行为。

教会计算机感受原子力

这项工作的核心是一类新的“环境自适应”机器学习力场。这些是告诉模拟中原子之间相互推拉强度的数学模型。传统的量子力学方法非常精确，但在大体系或长时间尺度上计算成本太高。更简单的模型运行快速，但当温度、压力或结构显著偏离它们构建时的条件时常常失效。作者通过设计能够根据局部原子环境调整自身的力场来弥合这一差距，从而在保持量子级精度的同时，仍足够快速以用于大规模分子动力学模拟。

捕捉多种原子邻域

为实现这一目标，团队使用称为正交本征描述子的紧凑数值指纹来描述每个原子周围的原子排列，包括复杂的多体相互作用。然后他们将相似的原子环境聚类，并让力场根据某个原子最相近的簇平滑地调整其行为。这一步的“环境自适应”显著提高了模型的灵活性，而计算开销并不大。与此同时，作者通过巧妙结合拉丁超立方采样和蒙特卡洛“摇动”方法构建了多样化的训练集，有系统地探索不同密度、畸变和相，而无需对每种情况都运行昂贵的量子分子动力学。

对铪及其氧化物的考验

铪及其二氧化物是理想的试验对象：它们在核控制棒、超高温陶瓷和先进电子器件中具有重要应用，并在熔化前经过若干固相。新的模型准确再现了铪在压力下晶体结构的变化（从常见的六方结构转变为更致密的构型），以及随加热到最终熔化过程中的固相转变。对于二氧化铪，力场正确捕捉了相变序列——从单斜基态到四方，再到立方，最终熔化——其温度范围与实验观测和量子计算一致。它们还再现了微妙的振动性质（声子色散），这些性质能指示晶体结构是否在力学上稳定。

追踪原子在冲击及更极端情形下的行为

一个最引人注目的演示来自冲击物理学领域，在那里材料被冲击瞬间压缩到极高的压力和温度。利用他们的机器学习力场，作者计算了铪的冲击休戚曲线（Hugoniot）——连接冲击路径上的压力、密度和能量的曲线——一直扩展到约一百万度和万亿帕的范围。结果与实验室冲击测量和高端量子模拟高度一致。在大尺度模拟中，当冲击波穿过铪时，模型捕捉到锐利的压缩前沿、随后释放、微小空洞的生长以及最终的剥落断裂，即便这些条件远远超出了模型初始训练数据的覆盖范围。

展望更智能的材料设计

总体而言，这项研究表明，经过精心设计的环境自适应机器学习力场可以在广泛的结构、温度和压力范围内可靠地追踪原子运动，同时不牺牲计算速度。对于铪及二氧化铪，它们高保真地再现了已知相图、振动行为、熔化和冲击响应，为在极端环境下运行的器件与构件的常规模拟打开了大门。更广泛地说，该框架同样可应用于其他复杂材料，帮助研究者在实验制造之前在计算机上探索新合金、陶瓷和功能性氧化物。

引用: Sema, D., Nguyen, N.C., Wyant, S. et al. Environment-adaptive machine-learned force fields for materials under extreme conditions: hafnium and hafnium dioxide polymorphs. npj Comput Mater 12, 117 (2026). https://doi.org/10.1038/s41524-026-01984-4

关键词: 机器学习原子间势, 铪, 二氧化铪, 极端条件, 分子动力学