編輯推薦：
本文通過結合進化算法與深度神經網絡（DNN），對 1 - 10 GPa 壓力下的冰多晶型進行研究。成功發現已知冰相，預測 34 種新冰相，還找到穩定的冰 L 相。該研究為冰結構探索提供新方法，助力理解冰在不同環境下的行為，對相關領域意義重大。
冰多晶型研究背景
水在冷卻后形成的冰，廣泛存在于地球及宇宙中的星球和衛星上，對地球氣候、天氣模式和自然過程有著重要影響。目前已發現 20 種結晶冰相，形成了復雜的水相圖。但由于氫鍵（H - bonds）的特殊性，冰多晶型的研究仍面臨諸多挑戰，如部分冰相合成困難、結構難以確定，還有許多新的（亞）穩定相有待發現。
在材料發現領域，晶體結構預測（CSP）技術發展迅速，機器學習勢（MLPs）與 CSP 算法的結合增強了預測能力。然而，冰多晶型中氫鍵網絡的復雜性使得其結構探索困難重重。水分子的方向性限制了晶格取向和排列，質子無序配置增加了復雜性，基于密度泛函理論（DFT）的基態計算易陷入局部極小值，傳統經驗水模型準確性低且缺乏反應性。因此，探索冰多晶型結構成為 CSP 和材料發現中的難題。
研究方法
- DFT 計算設置：采用 VASP 代碼進行 DFT 計算，用于訓練集構建和結構弛豫。選擇 SCAN 泛函來描述水的復雜相互作用，設置相關參數確�？偰芰亢土Φ氖諗�。
- MD 模擬設置：運用 DNN 勢進行深度勢分子動力學（DPMD）模擬，使用 LAMMPS 軟件包結合 DeePMD - kit 進行模擬。在標準結構演化過程中，對初始構型進行平衡、退火和能量最小化處理。
研究結果
- CSP 方案：采用整合進化 CSP 算法 USPEX 和 DPMD 模擬的系統 CSP 方案，利用具有從頭算精度的 DNN 勢進行冰多晶型探索。該方案包括結構生成、結構演化和結構篩選三個主要步驟，并通過主動學習策略迭代優化 DNN 勢。
- DPMD 促進氫鍵網絡重排：DPMD 模擬能有效促進氫鍵網絡重排，對發現隱藏的未知冰相至關重要。對比標準 CSP 程序和僅進行幾何優化的運行，標準程序能更好地預測具有復雜氫鍵網絡的冰相，如冰 IV 和 V/XIII。
- 廣泛搜索冰多晶型：利用該方案在 1 bar 至 10 GPa 壓力范圍內廣泛探索冰多晶型，共預測出 131,481 種結構。成功重新發現所有目標壓力范圍內的實驗已知冰相和理論預測冰相，并確定了 34 種新的候選結構。
- 數據驅動的冰構型空間分析：運用 ASAP 包和相關技術對冰結構進行分析，生成 PCA 圖展示結構差異。發現實驗和候選多晶型的位置與能量相關，密度與結構演化存在關聯，還通過分析采樣強度評估了部分冰相實驗合成的可能性。
- 水的相圖和新穩定冰相：計算水的相圖，確定了新的穩定冰相 —— 冰 L（ice L）。冰 L 在 253 - 291 K 和 0.38 - 0.57 GPa 范圍內穩定，其結構獨特，具有自穿透特征和未在已知晶體中出現的拓撲結構。
研究意義
本研究通過創新的研究方法，對冰多晶型進行了廣泛而深入的探索。成功發現已知冰相并預測新冰相，為實驗發現新冰相提供了理論依據。冰 L 相的發現豐富了對冰相的認識，其可能存在于地球地�；虮|行星和衛星內部。研究結果還有助于理解其他具有網絡結構的復雜系統，為相關領域的研究提供了新的思路和方法，推動了材料科學、地球科學和天體物理學等多學科的發展。同時，該研究方法在晶體結構預測方面具有重要的應用價值，有望為發現更多新型材料奠定基礎。
