编辑推荐：
本文通过结合进化算法与深度神经网络（DNN），对 1 - 10 GPa 压力下的冰多晶型进行研究。成功发现已知冰相，预测 34 种新冰相，还找到稳定的冰 L 相。该研究为冰结构探索提供新方法，助力理解冰在不同环境下的行为，对相关领域意义重大。
冰多晶型研究背景
水在冷却后形成的冰，广泛存在于地球及宇宙中的星球和卫星上，对地球气候、天气模式和自然过程有着重要影响。目前已发现 20 种结晶冰相，形成了复杂的水相图。但由于氢键（H - bonds）的特殊性，冰多晶型的研究仍面临诸多挑战，如部分冰相合成困难、结构难以确定，还有许多新的（亚）稳定相有待发现。
在材料发现领域，晶体结构预测（CSP）技术发展迅速，机器学习势（MLPs）与 CSP 算法的结合增强了预测能力。然而，冰多晶型中氢键网络的复杂性使得其结构探索困难重重。水分子的方向性限制了晶格取向和排列，质子无序配置增加了复杂性，基于密度泛函理论（DFT）的基态计算易陷入局部极小值，传统经验水模型准确性低且缺乏反应性。因此，探索冰多晶型结构成为 CSP 和材料发现中的难题。
研究方法
- DFT 计算设置：采用 VASP 代码进行 DFT 计算，用于训练集构建和结构弛豫。选择 SCAN 泛函来描述水的复杂相互作用，设置相关参数确保总能量和力的收敛。
- MD 模拟设置：运用 DNN 势进行深度势分子动力学（DPMD）模拟，使用 LAMMPS 软件包结合 DeePMD - kit 进行模拟。在标准结构演化过程中，对初始构型进行平衡、退火和能量最小化处理。
研究结果
- CSP 方案：采用整合进化 CSP 算法 USPEX 和 DPMD 模拟的系统 CSP 方案，利用具有从头算精度的 DNN 势进行冰多晶型探索。该方案包括结构生成、结构演化和结构筛选三个主要步骤，并通过主动学习策略迭代优化 DNN 势。
- DPMD 促进氢键网络重排：DPMD 模拟能有效促进氢键网络重排，对发现隐藏的未知冰相至关重要。对比标准 CSP 程序和仅进行几何优化的运行，标准程序能更好地预测具有复杂氢键网络的冰相，如冰 IV 和 V/XIII。
- 广泛搜索冰多晶型：利用该方案在 1 bar 至 10 GPa 压力范围内广泛探索冰多晶型，共预测出 131,481 种结构。成功重新发现所有目标压力范围内的实验已知冰相和理论预测冰相，并确定了 34 种新的候选结构。
- 数据驱动的冰构型空间分析：运用 ASAP 包和相关技术对冰结构进行分析，生成 PCA 图展示结构差异。发现实验和候选多晶型的位置与能量相关，密度与结构演化存在关联，还通过分析采样强度评估了部分冰相实验合成的可能性。
- 水的相图和新稳定冰相：计算水的相图，确定了新的稳定冰相 —— 冰 L（ice L）。冰 L 在 253 - 291 K 和 0.38 - 0.57 GPa 范围内稳定，其结构独特，具有自穿透特征和未在已知晶体中出现的拓扑结构。
研究意义
本研究通过创新的研究方法，对冰多晶型进行了广泛而深入的探索。成功发现已知冰相并预测新冰相，为实验发现新冰相提供了理论依据。冰 L 相的发现丰富了对冰相的认识，其可能存在于地球地幔或冰质行星和卫星内部。研究结果还有助于理解其他具有网络结构的复杂系统，为相关领域的研究提供了新的思路和方法，推动了材料科学、地球科学和天体物理学等多学科的发展。同时，该研究方法在晶体结构预测方面具有重要的应用价值，有望为发现更多新型材料奠定基础。
