一种适用于高温高压地球材料的 Mg-Al-Si-O 通用机器学习原子间势

窥见地球的隐秘核心

在我们脚下深处，由镁、铝、硅和氧构成的岩石主导着从火山喷发到板块构造的一切过程。然而，地球内部极端的压力和温度使这些材料在实验室中几乎无法直接研究。本文提出了一种基于计算的新方法，使用现代人工智能在昂贵的量子计算与过于简化的传统模型之间架起桥梁，以模拟这些矿物的行为。

为何模拟深部岩石如此困难

地幔主要由镁、铝、硅和氧构成的矿物组成。它们的稳定性和熔融行为决定了岩石的刚性或流动性、板块下沉入地幔的方式，以及地震和地震波速度跃变发生的位置。研究人员依赖相图——显示在特定深度和温度下哪些矿物稳定的图谱——来理解这些过程。要在数百公里深度复现实验条件极具挑战性，因此科学家们转向计算机模拟。经典模型运行速度快但常常给出错误的矿物相变，而更精确的量子力学方法对于地球科学关心的大型复杂体系又过于缓慢。

教神经网络原子的相互规则

作者通过为 Mg–Al–Si–O 系统构建一个机器学习“原子间势”来解决这一瓶颈。本质上，他们训练了一个深度神经网络，根据大量示例结构预测原子之间的相互作用力与能量。这些示例由先进的量子计算生成，采用了一种被认为特别可靠的方法（称为 r2SCAN），覆盖了广泛的压力、温度以及各种矿物和熔体类型。为了在关键处进一步提高精度——那些决定哪种矿物稳定的微小能量差——他们加入了一个简单的、经过调校的成对高斯修正，使其针对受信赖的热力学数据库。该混合方法将 20 种常见地幔矿物的平均能量误差从约 5 千焦/摩尔降至略高于 1 千焦/摩尔，同时对它们的体积影响不大。

将模型与自然的相图比对

凭借这一精炼的势能，团队计算了若干关键组成系统的相图，包括纯二氧化硅、含铝硅酸盐和涵盖主要地幔矿物（如橄榄石、瓦德斯来石和轮石）的镁硅酸盐成分。通过热力学积分和物理化学的标准关系，他们描绘出相之间或相与熔体之间的边界。预测的相图与实验结果高度一致，甚至捕捉到训练数据中未明确包含的高压二氧化硅相变。在有差异的地方——例如橄榄石与瓦德斯来石之间边界的小幅位移——其来源可追溯为仍然存在的只有几千焦/摩尔的能量不确定性，相当于数百摄氏度或小于一千兆帕的误差。

界面与原子无序的新视角

由于机器学习模型既准确又足够快可用于大尺度体系，作者得以探索实验中几乎无法获得的性质。一个例子是随着温度升高，铝和硅原子在矿物纤锑石（sillimanite）内部的重排，他们通过将势能与蒙特卡罗模拟相结合来研究这一过程。另一个例子是两种代表性矿物——磁镁石（MgO）和橄榄石（forsterite）——的固体晶界与熔体之间的自由能。利用先进的抽样方法，他们表明这些界面的各向异性相对较低——磁镁石约为 6%，橄榄石约为 12%。他们还研究了不均匀应力如何影响低温石英向高温形式的著名转变，发现典型地质水平的差异应力仅会产生很小的位移。

这对理解我们的星球意味着什么

对非专业读者而言，结论是作者创建了一个强大的“数字实验室”用于深部地球材料。他们的机器学习模型不仅能重现已知的矿物相界，还能超越当前实验，估算极端条件下熔体、界面和原子无序的微妙性质。这为更现实地模拟地幔流动、熔融和地震结构打开了大门，帮助科学家将原子尺度的行为与我们星球内部的大尺度作用联系起来。

引用: Zhong, X., Li, Y. & John, T. A general purposed machine learning interatomic potential for Mg-Al-Si-O system suitable for Earth materials at high pressure and temperature conditions. npj Comput Mater 12, 141 (2026). https://doi.org/10.1038/s41524-026-02056-3

关键词: 地幔材料, 机器学习势, 分子动力学, 相图, 固–熔界面