相圖預測偏差幾百度？新算法讓原子模擬學會'自我糾錯'

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