综述：化学无序表征鸿沟的弥合：传统方法与人工智能驱动的无序原生材料发现路线图

《Digital Discovery》：Atomistic Modeling of Chemical Disorder in Materials: Bridging Conventional Methods and AI-Assisted ApproachesOpen Access

　　化学无序，即由多种元素对晶体学位点的混合占据所引起，广泛存在于金属合金、陶瓷及其他成分复杂的材料中，其短程和长程序能够强烈影响材料性能。尽管这一点至关重要，但实验与模拟之间的表征鸿沟仍是一个核心障碍。实验通常以部分占据率和集合平均行为来报告无序，而原子模拟和人工智能工作流程通常要求完全指定的构型。解决这一鸿沟需要计算方法来将平均化的无序描述转化为代表性的构型集合，同时在成本、偏差和保真度之间取得平衡。在人工智能驱动的计算发现中，这一挑战变得更加紧迫，因为忽视无序可能导致人工智能工作流程错误排序稳定性、误判新颖性，以及用过于理想化的表征误导实验方向。本综述系统地阐述了传统方法和人工智能驱动方法如何弥合这一表征鸿沟。我们评估了传统方法和人工智能赋能方法的优缺点，例如平均场理论、团簇展开、准随机近似、蒙特卡洛方法，以及由通用原子间势和生成模型的最新发展所推动的新兴方案。我们进一步强调了人工智能如何通过降低微状态评估、构型探索和原子到热力学闭合的成本来加速各种计算方案。我们还强调了人工智能如何赋能无序原生能力，包括无序感知的工作流程分流、新的序敏感和炼金术表征、无序结构和构型分布的生成模型，以及动力学感知的加工依赖无序预测。总之，该框架勾勒了一条通往无序原生人工智能的实用路线图，这可以将化学无序从表征障碍转化为一种本质性且可控的参数，用于实现真实的人工智能加速材料发现。