![]()
探索宇宙奧秘 · 理性思考
設計一種能在2000攝氏度下穩定工作的航空發動機葉片材料,計算機卻告訴你相變溫度是1500度或2500度。
這種動輒幾百攝氏度的預測偏差,長期困擾著材料科學家。
現在,一種名為D-DOS的新方法有望終結這種"雞同鴨講"的窘境。美國密歇根大學與法國巴黎薩克雷大學團隊近日在《自然·通訊》發表研究,讓原子模擬首次能夠"學習"實驗相圖,實現自我校正。
傳統熱力學積分像一場昂貴的"定制西裝"。研究人員先選定原子相互作用模型,再花費大量計算資源積分求解。一旦更換溫度或參數,必須重新裁剪,從頭再來。
D-DOS(描述符態密度)改變了游戲規則。它用機器學習中的"分數匹配"技術,在高位潛空間繪制原子所有可能排布的概率分布。這相當于建立了一張連續的自由能地圖。
關鍵突破在于"模型無關"。D-DOS將自由能表達為相互作用模型的函數,而非固定數值。研究人員可在數秒內測試數千種不同模型,無需重復計算。
更激動人心的是逆向設計。傳統方法是給定材料預測性質,如同摸著石頭過河。
D-DOS允許科學家先設定目標性能,比如"在2000攝氏度保持固態",再反推需要怎樣的原子相互作用規律。
![]()
這種方法計算效率比傳統方案提升十倍以上。對于渦輪發動機、核聚變裝置等極端環境材料研發,這意味著從"大海撈針"轉向"按圖索驥"。
在這場實驗與計算的融合浪潮中,中國并非旁觀者。我國自2016年啟動"材料基因組工程",在相圖計算、深度學習勢函數領域布局深厚。
中科院物理所、上海大學團隊在CALPHAD方法和高通量計算方面具有國際影響力。
近年來,國產開源軟件如DeepPotential(深度勢能)在機器學習原子模擬領域已躋身世界前列。
此次D-DOS方法強調的"利用實驗數據修正模型",與我國發展數據驅動材料科學的戰略高度契合。
這項進展提醒我們:下一代材料發現引擎,必須同時精通量子力學、統計物理與人工智能。
從克勞德·香農的信息論到現代原子模擬,D-DOS架起了一座跨越七十年的橋梁。當計算模型學會彎腰傾聽實驗數據,材料科學或將迎來真正的"按需設計"時代。
Thomas D. Swinburne et al, Score matching the descriptor density of states for model-agnostic free energy estimation, Nature Communications (2025). DOI: 10.1038/s41467-025-66938-8
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.