可扩展的机器学习方法，以 ab initio 精度实现光诱导有序无序相变

快速阅读: 据《Nature.com》最新报道，一种结合约束密度泛函理论与机器学习的新方法成功解决了材料光激发相变模拟难题，精确再现了硅的声子色散关系并揭示非热熔融机制。此方法突破传统理论，为复杂相变研究及多领域应用提供新思路。

尽管机器学习在模拟材料热性能方面表现优异，但在可见光诱导的有序-无序非热相变中的应用一直面临挑战，特别是在描述光激发产生的电子-空穴等离子体存在时的势能面、力以及振动特性方面。在此背景下，我们提出了一种结合约束密度泛函理论与机器学习的新方法，生成了高度可靠的原子间势能，能够捕捉电子-空穴等离子体对结构特性的影响。

应用于光激发硅时，该势能精确再现了晶体相的声子色散关系，并支持数万原子的分子动力学模拟。研究发现，在足够低的温度下，非热熔融转变由软声子和双井势的形成所驱动，这一结论与热熔融属于一级相变的传统观点相悖。我们的方法为开展具有从头算精度的光诱导有序-无序相变的大规模长时间模拟奠定了坚实的基础。

这种方法不仅突破了传统理论的局限性，还为理解复杂相变机制提供了全新视角。未来，它将在材料科学、光学器件及量子计算等领域展现出广阔的应用前景。

(以上内容均由Ai生成)