用于条件晶体结构预测的深度学习生成模型：钠酰胺的研究

这项研究对未来清洁能源的重要性

将氢以安全且紧凑的方式储存，对燃料电池汽车到电网储能等清洁能源技术至关重要。一种能促使其他化合物更容易释放氢的材料是钠酰胺——由钠和氮-氢基团组成的简单盐。然而，科学家尚未完全弄清其在极高压下的原子结构如何变化，而这些条件常常能揭示新的、有用的物质形态。本文将先进的X射线实验与深度学习模型相结合，揭示了长期未解的钠酰胺高压相，为解决类似复杂晶体结构问题提供了新路径。

从有用的盐到高压之谜

钠酰胺本身并不储存大量氢，但在与其他金属氢化物的混合物中发挥着重要的辅助作用，能帮助它们在更低温度和更高效率下释放氢。在常温常压下，其晶体结构——原子如何在重复单元中排列——已被很好地掌握。先前的高压测量显示，随着压力增加，钠酰胺经历了若干不同的相，标记为α、β和γ，但高压相的详细原子排列仍不清楚。传统的计算方法试图预测这些结构，却与精确的X射线衍射测量结果不一致，这表明我们在模拟这种受压离子材料时缺少某些关键因素。

传统搜索的局限与更智能工具的需求

标准的晶体结构预测技术，如进化算法和随机结构搜索，通过遍历大量可能的原子排列并选择计算能量最低的那些来工作。对于高压下的钠酰胺，这些方法提出了若干候选结构和相变。然而，当研究者将这些候选结构的模拟X射线图样与实验数据比较时，匹配效果很差。根本的挑战在于钠酰胺具有强的长程电相互作用、与氢的定向成键，以及相对较多的重复单元内原子数目。这会造成极其崎岖的能量景观，真正相关的结构可能并非能量最低，因而很容易被暴力搜索遗漏。

一种学习能量景观的引导生成模型

为克服这些难题，作者们开发了一个针对钠酰胺定制的深度学习生成框架。他们首先构建了一个由一千个可行钠酰胺结构组成的定制数据集，所有结构具有相同的大晶胞和一致的化学组成，这些结构由传统随机搜索生成并经量子力学计算精炼。每个结构被分为两部分：来自实验的整体晶格形状，以及该晶胞内最小一组对称唯一分子单元的紧凑描述。一个基于扩散的神经网络学习如何在该紧凑空间内将随机噪声逐步转化为现实的排列，而第二个神经网络估算每个候选的能量，并温和地推动生成过程朝向低能量区域。随后，模型通过对称操作将紧凑描述扩展回完整晶体，并过滤掉任何存在不合物理的原子-原子距离或对称性错误的候选结构。

破解隐秘的高压相

凭借该模型，团队聚焦于实验显示出现新相的压力区间。他们使用从X射线数据提取的晶格参数和可能的对称类型作为生成器的条件，确保只探索物理相关的结构。在数百个生成的候选中，有四个在高压下表现出特别的稳定性，分别属于不同的对称族。当这些结构与在约10吉帕条件下收集的同步加速器X射线衍射图样进行严格比较时，有一个结构——属于称为P21/c的对称类、重复单元含64个原子——以优秀的匹配脱颖而出。该结构随后被确认为长期寻找的钠酰胺γ相，在约2.5到至少14吉帕范围内稳定。

电荷转移如何帮助锁定新相

除了识别结构外，研究者还考察了随压力升高电荷分布与钠-钠距离如何演化。他们发现，在γ相中，电子重新分布使氮-氢基团变得更负，而钠原子变得更正，这增强了它们之间的离子吸引力。同时，钠原子彼此靠得更近，晶格变得更致密。这些变化共同解释了为何γ相在压缩下尤为稳固，并可能影响钠酰胺在与其他含氢化合物混合时在实际装置中的行为。

解决其他复杂晶体的蓝图

简言之，这项工作表明，一个智能的、由实验引导的生成模型可以在传统试错方法失败的地方取得成功。通过将实验线索、对称性规则和能量计算编织到单一学习流程中，作者揭示了一个多年来一直难住研究者的高压相的详细原子结构。该方法应可推广至其他离子性和富氢材料——例如相关的金属酰胺——这些材料对氢气储存和高压科学至关重要，从而为理解与设计新功能固体开辟更高效的途径。

引用: 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

关键词: 氢气储存, 钠酰胺, 高压相, 晶体结构预测, 深度学习材料