npj Computational Materials：激光驱动原子动力学的全尺度第一性原理模拟

一、【导读】

激光驱动过程是一种常用的方法，可以将材料推入极端非平衡状态，从而研究材料在这种状态下的响应。这种方法在材料科学领域有着广泛的应用，例如在材料加工、能源转换、光电子学等领域。然而，激光驱动过程的复杂性和高度非平衡状态使得对其进行理论模拟变得非常困难。目前的模拟方法难以捕捉激光诱导过程的非热性质和固有尺度，导致了关于材料响应的争论和先验假设。 为了解决这些问题，近年来出现了一些新的模拟方法，例如基于第一性原理的分子动力学模拟、混合原子-连续体方法等。这些方法可以更准确地描述材料在极端条件下的响应，但是它们的计算成本非常高，难以应用于大规模的模拟。 为了克服这些困难，深度学习技术被引入到材料科学领域中。深度学习技术可以通过学习大量的数据，构建出高效的模型，从而实现对材料响应的准确预测。近年来，深度学习技术已经在材料科学领域中得到了广泛的应用，例如在材料发现、材料设计、材料性能预测等方面。

二、【成果掠影】

近日，国防科技大学戴佳钰教授团队将深度学习模型与混合原子-连续体方法相结合，实现了对激光驱动材料响应的全面且准确的原子动力学模拟，从而架起了实验和模拟之间的桥梁。相关的研究成果以“Full-scale ab initio simulations of laser-driven atomistic dynamics”为题发表在npj Computational Materials上。

三、【核心创新点】

通过构建电子温度依赖的深度神经网络势能表面，将激发态引入第一性原理模拟中，实现了对整个激光驱动微观动力学过程的直接模拟，并通过大规模的第一性原理模拟，揭示了热电子引入的非热效应在调制晶格动力学、热力学路径和结构转变中发挥了主导作用。

四、【数据概览】

图1  高效、精确地模拟激光驱动的原子动力学的工作流程示意图。  ©2023 Springer Nature

图2 验证ETD-DP模型的准确性。  ©2023 Springer Nature

图3  使用 TTM-DPMD 方法捕获非热效应。  ©2023 Springer Nature

图4 热电子改变热力学途径。  ©2023 Springer Nature

五、【成果启示】

本文中，作者介绍了一种新的方法，将深度学习模型与混合原子-连续体方法相结合，实现了对激光驱动材料响应的全面且准确的原子动力学模拟，同时，实现了对非绝热能量交换和原子动力学的控制，从而使得模拟结果更加真实可信。通过构建电子温度依赖的深度神经网络势能表面，将激发态引入第一性原理模拟中，实现了对整个激光驱动微观动力学过程的直接模拟，从而提高了模拟的准确性和可靠性。此外，通过大规模的第一性原理模拟，揭示了热电子引入的非热效应在调制晶格动力学、热力学路径和结构转变中发挥了主导作用，从而深入理解了激光驱动过程中的非平衡动力学行为。这篇文章的研究成果为更深入地研究材料在极端条件下的响应提供了新的思路和方法

文献链接：

https://www.nature.com/articles/s41524-023-01168-4

本文由WYH供稿