对硼和氧化硼表面溅射过程的分子动力学模拟

《RSC Advances》：Molecular dynamics simulations of the sputtering of boron and boron oxide surfaces

溅射效应与表面吸附：基于神经网络的分子动力学模拟研究硼及氧化硼表面在氘轰击下的溅射、反射与吸附行为，揭示表面结合能及化学溅射机制。

　　在现代材料科学与核聚变技术的快速发展背景下，研究材料表面与高能粒子相互作用的机制显得尤为重要。这种相互作用不仅影响材料的结构完整性，还直接关系到设备在极端环境下的性能和寿命。为此，科学家们采用了一系列先进的计算方法，其中经典分子动力学（MD）模拟结合神经网络势能（NNP）模型成为一种强有力的工具。本研究聚焦于硼（B）和硼氧化物（B?O?）表面在氘（D）粒子轰击下的溅射、反射和吸附行为，探索其在核聚变设备中的应用潜力。

硼及其氧化物因其独特的物理和化学性质，广泛应用于核聚变装置的防护层中。它们不仅具有较低的原子序数，从而减少与等离子体的相互作用带来的辐射损伤，还具备较低的氢保留能力，这对于维持等离子体的纯净度至关重要。此外，硼的氧亲和力使其在某些工业应用中作为收集氧的材料，而硼氧化物则可能在未来的核聚变设备中发挥重要作用。然而，尽管这些材料在技术应用中被频繁使用，它们在原子层面的稳定性以及在高能粒子轰击下的溅射行为仍缺乏系统研究。因此，深入理解硼及硼氧化物在等离子体环境中的反应机制，对于设计和优化下一代核聚变材料具有重要意义。

本研究通过构建和训练基于密度泛函理论（DFT）数据的神经网络势能模型，利用经典MD模拟方法对硼和硼氧化物表面在不同能量和入射角度下的溅射过程进行了系统分析。该方法能够在保持DFT级精度的同时，大幅提高计算效率，从而使得大规模、长时间的模拟成为可能。研究团队首先基于Behler–Parrinello方法构建了高维神经网络势能模型，该模型通过原子坐标转换为径向和角对称函数，确保了对旋转、平移和原子种类交换的不变性。通过这种方式，研究人员能够准确模拟粒子与表面之间的相互作用。

为了训练这一模型，研究团队使用了大量DFT计算生成的数据集。这些数据集涵盖了不同表面结构和能量状态下的原子位置与相互作用信息，从而使得模型能够在多种条件下准确预测材料的反应行为。经过训练的神经网络势能模型被用于进行非累积MD模拟，模拟了氘粒子在20至200 eV能量范围内，以0°、30°和60°入射角对硼和硼氧化物表面的轰击过程。研究团队进行了2000次模拟，收集了丰富的数据，包括溅射产率、反射概率、吸附行为以及能量分布等。

研究结果表明，随着入射能量的增加，溅射产率整体呈上升趋势，但不同入射角度下的行为存在显著差异。在纯硼表面，垂直入射（0°）时溅射产率较低，而随着入射角度的增大，溅射效率显著提高，尤其是在60°入射角下，溅射产率达到峰值。这表明，入射粒子与表面的相互作用不仅依赖于能量，还受到几何因素的影响。相比之下，纯硼氧化物表面的溅射产率始终低于纯硼表面，这可能与氧原子与硼原子之间的强键合有关，使得硼原子在氧化物表面的脱离需要更高的能量。

此外，研究团队还分析了氘粒子在不同入射角度下的反射、吸附和保留行为。结果表明，低能量的氘粒子更容易被表面反射或吸附，而高能量的粒子则更倾向于穿透表面，引发更复杂的碰撞级联效应。这种级联效应可能导致表面结构的破坏，甚至在材料内部形成缺陷，从而影响其长期性能。研究还指出，纯硼氧化物表面的反射概率低于纯硼表面，这可能是由于氧与氘之间的相互作用增强了表面的化学活性，从而促进了溅射过程的发生。

在溅射过程中，能量分布是一个关键指标。研究团队通过模拟获得了溅射原子的能量分布，并发现这些分布呈现出典型的对数正态分布特征。通过对分布曲线的拟合，研究人员估计了有效表面结合能（E_SB），这一参数对于理解粒子如何从表面脱离至关重要。结果表明，纯硼表面的有效表面结合能为5.14 eV，而纯硼氧化物表面的E_SB分别为4.46 eV（针对硼）和3.53 eV（针对氧）。尽管硼氧化物表面的E_SB较低，但其溅射产率仍然接近纯硼表面，这表明氧的存在虽然降低了表面结合能，但并未显著影响整体的溅射效率。

值得注意的是，化学溅射在某些能量范围内对溅射行为产生了显著影响。研究团队发现，氧诱导的化学溅射在低能量区域尤为明显，其溅射产率可达到纯硼溅射产率的20%。这表明，氧与氘之间的相互作用可能通过形成B–O自由基等化学物质，间接影响了溅射过程。然而，这种化学溅射在高能量区域的影响相对较小，因此在高能粒子轰击下，物理溅射仍然是主导机制。

本研究的成果不仅有助于理解硼和硼氧化物在等离子体环境下的行为，还为开发新的材料模型提供了数据支持。通过分析不同能量和角度下的溅射产率，研究人员能够构建出参数化的表面模型，从而预测这些材料在极端条件下的性能表现。此外，研究团队还利用这些数据评估了表面层的长期稳定性，这对于核聚变装置的设计和运行具有重要的指导意义。

本研究还强调了传统计算方法的局限性。尽管量子化学计算（如DFT和AIMD）能够提供高精度的结果，但其计算成本较高，难以用于大规模或长时间的模拟。相比之下，基于神经网络势能的MD模拟在保持较高精度的同时，大幅提升了计算效率，使其成为研究复杂表面和等离子体–壁相互作用的有力工具。研究团队还指出，蒙特卡洛方法中的二元碰撞近似（BCA）模型虽然在统计预测方面具有一定优势，但往往忽略了原子层面的细节，因此在某些情况下，NNP驱动的MD模拟更具优势。

研究团队的模拟数据不仅揭示了硼和硼氧化物表面在氘轰击下的反应机制，还为未来的研究提供了宝贵的参考。例如，通过分析不同能量和角度下的反射、吸附和保留概率，研究人员能够更准确地预测材料在等离子体环境中的行为。这些数据对于优化核聚变装置的材料选择、提高等离子体约束效率以及减少材料污染具有重要意义。

此外，本研究还展示了如何通过分析溅射原子的能量分布来评估表面结合能。这一方法不仅适用于纯硼表面，还能够推广到硼氧化物等复杂体系中。通过计算有效表面结合能，研究人员能够预测溅射原子在等离子体中的运动轨迹以及可能的表面再沉积行为。这对于设计具有更高稳定性和抗侵蚀能力的材料至关重要。

总的来说，本研究通过结合先进的计算方法和实验数据，为理解硼和硼氧化物在等离子体环境下的行为提供了新的视角。研究团队不仅验证了神经网络势能模型的有效性，还揭示了不同能量和角度下溅射行为的复杂性。这些发现不仅有助于改进现有的材料模型，还为未来核聚变装置的设计和运行提供了重要的理论依据。随着核聚变技术的不断进步，对材料表面行为的深入研究将继续发挥关键作用，为实现可持续的核聚变能源提供坚实的基础。