第一作者（或者共同第一作者）：（Di Zhang）張頔

通訊作者（或者共同通訊作者）：（Linfa Peng）彭林法，（Hao Li）李昊

通訊單位： 上海交通大學，日本東北大學

論文DOI：10.1038/s41467-023-44525-z

在碳納米結構的精確合成方面，合金基底催化起著關鍵作用。盡管如此，高效設計和調整合金組分及其排列以實現動態表面生長的模擬依然是一大難題。針對這一問題，本研究提出了一種結合高斯近似勢的自適應機器學習架構，該架構整合了分子動力學和力偏置蒙特卡洛技術。此方法成功克服了傳統方法在力場精確性和模擬時間尺度上的限制，實現了對碳納米結構生長過程的全面動態模擬。

傳統的塗層沉積模擬技術主要分爲三類：基于第一性原理的分子動力學（AIMD）、依托密度泛函理論的動力學蒙特卡洛（KMC）方法，以及結合經典力場的分子動力學和蒙特卡洛混合方法。這三種技術在精度和模擬時間尺度上各有優劣。例如，動力學蒙特卡洛方法能夠提供較長的時間尺度和較高的精度，但在模擬非晶態材料或非晶格位置時面臨挑戰，因爲它需要提前定義擴散事件的概率分布，這限制了其在模擬碳納米結構沉積生長及金屬基底表面動態變化方面的應用。AIMD方法雖然精度高，但計算速度慢，難以用于模擬石墨烯等材料的形核和長時間尺度結晶過程。而基于傳統經驗力場的方法雖計算效率較高，但力場的精度不足，導致模擬結果的可靠性受限。爲解決這些問題，本研究引入了機器學習力場到分子動力學-力偏置蒙特卡洛模型中，有效克服了傳統方法的局限，實現了金屬表面碳納米結構的全面動態、高精度以及長時間尺度模擬。

研究背景

對于將來在電子和能源裝置中應用的單晶大面積石墨烯、具有特定手性的碳納米管和包含獨特結構的碳薄膜等碳納米結構的精確合成，至關重要。通過合金基底催化沉積實現碳原子在二維或三維空間中共價鍵網絡的精確控制生長，展現了極大的潛力。除了常用的Cu和Ni金屬催化劑，高指數Cu晶面、Cu-Ni合金、Cu2O表面、氫化鍺和六方氮化硼表面也已被深入探究，用作促進碳納米結構生長的基底。盡管如此，實驗中尋找理想的金屬或合金催化劑仍然是一項挑戰，這主要是因爲潛在的基底材料選擇範圍廣泛，同時碳納米材料的生長過程對許多實驗參數極爲敏感。因此，開發能夠精確且迅速預測生長結果的理論模擬模型，對于加速合金催化基底的研發過程具有重要意義。

圖文導讀

圖1展示了一個機器學習力場訓練的流程框架，該框架以GAP-20機器學習力場處理的碳材料和Cu111表面上的簡易碳構型爲出發點，進行力場的機器學習調整，隨後應用分子動力學和力偏置蒙特卡洛（MD/tfMC）技術進行模擬。利用基于平滑重疊原子對函數（SOAP）的相似性評估，從新采樣的結構中識別出“最爲不同”的構型，接著通過密度泛函理論（DFT）進行力和能量的精確度驗證。若結果達到既定的精度標准，則繼續進行沉積過程；反之，則將這些不滿足能量精度的結構加回訓練集中，以便進行下一輪叠代。通過優化選擇采樣點和調整相似度參數，這種機器學習力場的效能顯著優于傳統的經驗力場方法如ReaxFF或COMB3。

接著，利用訓練好的機器學習力場對Cu111表面進行沉積模擬。在特定的沉積能量條件下，模擬揭示了石墨烯的形核和增長過程，包括碳原子在亞表面的擴散、碳鏈的生成以及金屬Cu原子在形核過程中的支持作用，這些過程均通過動態模擬得到驗證，與先前的理論研究和實驗結果相吻合。

通過動態模擬，本研究揭示了生長機制可能遵循的反應途徑。文章進一步采用CI-NEB方法對機器學習力場的動力學精度進行了驗證，並介紹了一種涉及Cu原子促進石墨烯生長的新機制。這個新機制將碳原子行核石墨烯的能壘從2.47 eV/atom顯著降低到0.95 eV/atom，爲Cu表面上石墨烯的生長提供了一個新的反應路徑。

爲了檢驗機器學習力場訓練框架的通用性，研究團隊將之應用于Cr110、Ti001表面及氧化處理的Cu111表面。通過使用高分辨率透射電子顯微術對這三種表面上沉積的碳結構進行成像，發現模擬得到的結構的結晶程度與實驗觀察到的趨勢相符。

總結展望

本研究通過將機器學習勢能面(MLPs)引入分子動力學和力偏置蒙特卡洛(tfMC)模擬方法中，開創了一條高效且具備通用性的模擬方法和訓練框架，用于碳材料在金屬基底上的沉積過程。本文開發的機器學習力場訓練框架融合了第一性原理計算的高准確度與傳統經驗力場的計算高效率。此外，通過引入力偏置蒙特卡洛技術，有效突破了傳統分子動力學方法在時間尺度上的局限。本項工作還特別開發了一套自動化訓練流程，采用獨特的結構篩選機制爲沉積模擬構建動態訓練集，突出了局部環境對于沉積過程影響，爲未來在多元合金催化基底選擇上提供了新的視角和可能性。

課題組介紹

日本東北大學材料科學高等研究所 HaoLi Lab：

課題組負責人：李昊，副教授，2022年起任職于日本東北大學(Tohoku University)材料科學高等研究所(AIMR)，作爲課題組負責人從事材料設計與計算、人工智能(機器學習和數據科學)開發研究。2019年博士畢業于美國德克薩斯大學奧斯汀分校化學系及Oden科學與工程計算中心(師從反應過渡態算法創始人之一Graeme Henkelman教授)。2017年在加州大學洛杉矶分校的純粹與應用數學中心(IPAM)擔任訪問研究員。2020-2022年初于丹麥科技大學物理系從事博士後工作，師從現代催化理論鼻祖、美國工程院院士Jens K Nørskov教授（美國工程院院士、丹麥雙院院士、歐盟院士）。2014年至今已發表論文181篇，包含Nature Catalysis、Nature Communications、Journal of the American Chemical Society、Advanced Materials、ACS Catalysis等領域權威雜志。總引用>7500余次、h指數爲49。 第一作者：張頔，日本東北大學特聘助理教授，2021年博士畢業于上海交通大學，主要研究方向爲材料計算理論與人工智能方法開發，電催化過程理論建模與預測，先進氫能源材料設計與開發。目前以第一作者在Nature Communications, JACS, Advanced Materials等國際知名期刊發表論文。

上海交通大學機械與動力工程學院薄板結構制造研究所

課題組負責人：彭林法，上海交通大學機械與動力工程學院特聘教授、博導、國家傑出青年基金獲得者，現任汽車動力與智能控制國家工程中心主任、中國機械工程學會成組與智能集成制造技術分會副主任。長期從事微細成形理論與氫能裝備制造技術研究，獲授權發明專利 60 余項，發表 SCI 論文 100 余篇。主持國家重點研發計劃課題、國家“863”計劃課題等國家級、省部級項目 30 余項。獲中國機械工業科技進步一等獎；上海市技術發明特等獎；中國汽車科技進步一等獎。開發的高性能金屬雙極板及大功率電堆在上汽、東風、一汽、長城等 20 余款燃料電池汽車中取得應用和驗證。