第一作者（或者共同第一作者）：（Di Zhang）张頔
通讯作者（或者共同通讯作者）：（Linfa Peng）彭林法，（Hao Li）李昊
通讯单位： 上海交通大学，日本东北大学
论文DOI：10.1038/s41467-023-44525-z
在碳纳米结构的精确合成方面，合金基底催化起着关键作用。尽管如此，高效设计和调整合金组分及其排列以实现动态表面生长的模拟依然是一大难题。针对这一问题，本研究提出了一种结合高斯近似势的自适应机器学习架构，该架构整合了分子动力学和力偏置蒙特卡洛技术。此方法成功克服了传统方法在力场精确性和模拟时间尺度上的限制，实现了对碳纳米结构生长过程的全面动态模拟。
传统的涂层沉积模拟技术主要分为三类：基于第一性原理的分子动力学（AIMD）、依托密度泛函理论的动力学蒙特卡洛（KMC）方法，以及结合经典力场的分子动力学和蒙特卡洛混合方法。这三种技术在精度和模拟时间尺度上各有优劣。例如，动力学蒙特卡洛方法能够提供较长的时间尺度和较高的精度，但在模拟非晶态材料或非晶格位置时面临挑战，因为它需要提前定义扩散事件的概率分布，这限制了其在模拟碳纳米结构沉积生长及金属基底表面动态变化方面的应用。AIMD方法虽然精度高，但计算速度慢，难以用于模拟石墨烯等材料的形核和长时间尺度结晶过程。而基于传统经验力场的方法虽计算效率较高，但力场的精度不足，导致模拟结果的可靠性受限。为解决这些问题，本研究引入了机器学习力场到分子动力学-力偏置蒙特卡洛模型中，有效克服了传统方法的局限，实现了金属表面碳纳米结构的全面动态、高精度以及长时间尺度模拟。
对于将来在电子和能源装置中应用的单晶大面积石墨烯、具有特定手性的碳纳米管和包含独特结构的碳薄膜等碳纳米结构的精确合成，至关重要。通过合金基底催化沉积实现碳原子在二维或三维空间中共价键网络的精确控制生长，展现了极大的潜力。除了常用的Cu和Ni金属催化剂，高指数Cu晶面、Cu-Ni合金、Cu2O表面、氢化锗和六方氮化硼表面也已被深入探究，用作促进碳纳米结构生长的基底。尽管如此，实验中寻找理想的金属或合金催化剂仍然是一项挑战，这主要是因为潜在的基底材料选择范围广泛，同时碳纳米材料的生长过程对许多实验参数极为敏感。因此，开发能够精确且迅速预测生长结果的理论模拟模型，对于加速合金催化基底的研发过程具有重要意义。图1展示了一个机器学习力场训练的流程框架，该框架以GAP-20机器学习力场处理的碳材料和Cu111表面上的简易碳构型为出发点，进行力场的机器学习调整，随后应用分子动力学和力偏置蒙特卡洛（MD/tfMC）技术进行模拟。利用基于平滑重叠原子对函数（SOAP）的相似性评估，从新采样的结构中识别出“最为不同”的构型，接着通过密度泛函理论（DFT）进行力和能量的精确度验证。若结果达到既定的精度标准，则继续进行沉积过程；反之，则将这些不满足能量精度的结构加回训练集中，以便进行下一轮迭代。通过优化选择采样点和调整相似度参数，这种机器学习力场的效能显著优于传统的经验力场方法如ReaxFF或COMB3。接着，利用训练好的机器学习力场对Cu111表面进行沉积模拟。在特定的沉积能量条件下，模拟揭示了石墨烯的形核和增长过程，包括碳原子在亚表面的扩散、碳链的生成以及金属Cu原子在形核过程中的支持作用，这些过程均通过动态模拟得到验证，与先前的理论研究和实验结果相吻合。通过动态模拟，本研究揭示了生长机制可能遵循的反应途径。文章进一步采用CI-NEB方法对机器学习力场的动力学精度进行了验证，并介绍了一种涉及Cu原子促进石墨烯生长的新机制。这个新机制将碳原子行核石墨烯的能垒从2.47 eV/atom显著降低到0.95 eV/atom，为Cu表面上石墨烯的生长提供了一个新的反应路径。为了检验机器学习力场训练框架的通用性，研究团队将之应用于Cr110、Ti001表面及氧化处理的Cu111表面。通过使用高分辨率透射电子显微术对这三种表面上沉积的碳结构进行成像，发现模拟得到的结构的结晶程度与实验观察到的趋势相符。本研究通过将机器学习势能面(MLPs)引入分子动力学和力偏置蒙特卡洛(tfMC)模拟方法中，开创了一条高效且具备通用性的模拟方法和训练框架，用于碳材料在金属基底上的沉积过程。本文开发的机器学习力场训练框架融合了第一性原理计算的高准确度与传统经验力场的计算高效率。此外，通过引入力偏置蒙特卡洛技术，有效突破了传统分子动力学方法在时间尺度上的局限。本项工作还特别开发了一套自动化训练流程，采用独特的结构筛选机制为沉积模拟构建动态训练集，突出了局部环境对于沉积过程影响，为未来在多元合金催化基底选择上提供了新的视角和可能性。日本东北大学材料科学高等研究所 HaoLi Lab：课题组负责人：李昊，副教授，2022年起任职于日本东北大学(Tohoku University)材料科学高等研究所(AIMR)，作为课题组负责人从事材料设计与计算、人工智能(机器学习和数据科学)开发研究。2019年博士毕业于美国德克萨斯大学奥斯汀分校化学系及Oden科学与工程计算中心(师从反应过渡态算法创始人之一Graeme Henkelman教授)。2017年在加州大学洛杉矶分校的纯粹与应用数学中心(IPAM)担任访问研究员。2020-2022年初于丹麦科技大学物理系从事博士后工作，师从现代催化理论鼻祖、美国工程院院士Jens K Nørskov教授（美国工程院院士、丹麦双院院士、欧盟院士）。2014年至今已发表论文181篇，包含Nature Catalysis、Nature Communications、Journal of the American Chemical Society、Advanced Materials、ACS Catalysis等领域权威杂志。总引用>7500余次、h指数为49。第一作者：张頔，日本东北大学特聘助理教授，2021年博士毕业于上海交通大学，主要研究方向为材料计算理论与人工智能方法开发，电催化过程理论建模与预测，先进氢能源材料设计与开发。目前以第一作者在Nature Communications, JACS, Advanced Materials等国际知名期刊发表论文。课题组负责人：彭林法，上海交通大学机械与动力工程学院特聘教授、博导、国家杰出青年基金获得者，现任汽车动力与智能控制国家工程中心主任、中国机械工程学会成组与智能集成制造技术分会副主任。长期从事微细成形理论与氢能装备制造技术研究，获授权发明专利 60 余项，发表 SCI 论文 100 余篇。主持国家重点研发计划课题、国家“863”计划课题等国家级、省部级项目 30 余项。获中国机械工业科技进步一等奖；上海市技术发明特等奖；中国汽车科技进步一等奖。开发的高性能金属双极板及大功率电堆在上汽、东风、一汽、长城等 20 余款燃料电池汽车中取得应用和验证。
