初生牛犊，往往不会按照套路出牌；就像你永远不知道，明天会发生什么？对无定形状态变化进行观察，就是这样一件十分困难的事情。因为，在无定形状态中，变化过程通常非常缓慢，不会像有序的晶体转变过程那样发生突变。通过计算模拟，可以帮助我们了解无定形状态如何变化。然而，传统的DFT计算方法进行精确量子计算模拟时，最多支持数百个原子，时间最多为几个飞秒，难以满足模拟无定形状态变化过程的需求。
硅是一种熔化时能够增加密度的材料，这种现象仅仅在少数体系中才发现，比如冰浮在水面上。这种异常的固-液密度关系和多晶型现象（polyamorphism）有关，即底物能够表现出多种无定形结构和性质。液态Si是一种金属性导电材料，但是固态Si在大气环境条件中却表现为半导体状态，使得其能够广泛应用在计算机芯片、太阳能电池等领域。图1. 通过机器学习能够对较大规模的体系进行高精度模拟机器学习方法能够用于无序态液体/固体中的结构、成键状态的模拟。通过对足够量的原子（达到纳米尺度的模型）作为模型，能够与实验过程数据进行比较。有鉴于此，牛津大学Volker L. Deringer等人报道了无序结构Si中结构、电子态变化过程，揭示了压缩状态中硅由半导体态变为金属态的现象。和晶体状态之间的变化不同，这种无定形状态的变化过程是一种逐步演变的过程，研究人员发现了任何晶态中都不存在的原子排布和纳米结构。伦敦大学学院Paul F. McMillan等对此进行了述评。研究人员通过一种机器学习方法，能够对含有100000个Si原子的体系晶相变化过程进行模拟，实现了对20 GPa条件中处于压缩态的200000个Si原子进行模拟，而且这种较大规模的模拟计算精确度较高，能够用于对各种亚稳态的无定形结构进行研究。图2. 基于机器学习模拟无定形Si在高压压缩过程中的晶相变化过程对Si在压缩过程中的变化情况进行模拟，研究人员首次揭示了其中的复杂变化过程：无定形状态变化过程中，原子的配位数并不会像晶相转变过程中那样，所有原子同时发生配位数增加，而是在四配位环境中通过形成高配位数目的纳米区域进行更加平缓的变化。1）低密度无定形LDA（low-density amorphous）2）高密度无定形HDA（high-density amorphous）3）超高密度无定形VHDA（very-high-density amorphous）其中超高密度的无定形VHDA，为一种瞬态过程，能够快速转变为多晶状态，难以在计算模拟中被发现。其中HDA相的结构和液体金属态类似，其中LDA-HDA转变的过程之前在无定形Si快速加热、在环境温度中进行压缩的过程中观测到。该工作实现了对无定形Si的晶相变化过程中比较全面的模拟，能够和实验结果相符合。该方法能够拓展到其他类材料，用于高精度的结构、稳定性以及各种性质预测。更重要的是，这种方法能够对从单个原子到各种多晶、异质结等各种纳米结构现象进行模拟，为计算模拟从简单结构模型向更加符合实验环境的系统迈进。Paul F. McMillan, Machine learning reveals the complexity of dense amorphous silicon, Nature 589, 22-23 (2021)DOI: 10.1038/d41586-020-03574-whttps://www.nature.com/articles/d41586-020-03574-wVolker L. Deringer*, Noam Bernstein, Gábor Csányi, Chiheb Ben Mahmoud, Michele Ceriotti, Mark Wilson, David A. Drabold & Stephen R. Elliott, Origins of structural and electronic transitions in disordered silicon, Nature 589, 59–64 (2021)DOI: 10.1038/s41586-020-03072-zhttps://www.nature.com/articles/s41586-020-03072-z
