分子材料熔融过程中的结构与非键焓变追踪

《Physical Chemistry Chemical Physics》：Tracking down the structural and enthalpic changes in molecular materials upon meltingOpen Access

　　

研究人员提出一个新型的X10基准集（benchmark set），用于评估原子尺度模拟预测分子材料熔融焓（fusion enthalpy，即 melting 的 enthalpy）的计算性能。熔融焓作为固–液平衡的基本描述符，其预测能力在材料设计诸多领域中具有重要价值。研究以全原子分子动力学（MD）模拟为对象，分别采用经典通用非极化力场模型（classical generic non-polarizable force-field model，MD）与基于密度泛函理论（density-functional-theory，DFT）的从头算分子动力学（ab initio molecular dynamics，AIMD）来处理电子自由度。上述MD与AIMD方法的性能以实验参考数据为基准进行严格评估，并从熔融焓及块体相密度（bulk phase densities）等相关结构描述符角度进行评价。研究人员对预测熔融焓的重要内聚非共价相互作用（cohesive non-covalent interactions），如氢键（hydrogen bonding）和色散力（dispersion forces），及其在熔融过程中的强度变化进行了详细解释。研究特别关注成本高昂、仅能对小分子系综进行的AIMD模拟中必然存在的有限尺寸伪影（finite-size artifacts）。结果表明，中性分子材料的熔融焓采用PBE-D3(BJ)/GTH的AIMD模型预测时，通常可落在距实验约2 kJ mol?1范围内，平均精度略优于经典力场模拟。该结论十分重要，因为此类DFT理论正被广泛用作训练机器学习原子间势（machine-learning interatomic potentials）的数据来源。

研究背景方面，固–液转变与分子材料的相平衡普遍存在于环境、日常生活与工业过程中，例如大气水结冰、活细胞浓溶液凝固点调控、矿物溶解，以及食品添加剂、药物、有机半导体、热能存储、纳米颗粒制造和石油管道操作等领域。对溶质–溶剂相互作用、溶解度与混合物熔点降低等现象在分子层面的理解，有助于新材料理性设计与工艺升级。基于计算机的原位建模，尤其是原子尺度模拟可提供关键洞察，但液相及相关相变需采样巨大相空间或长轨迹，长期以来受限为经典模拟；过去从头算只能研究液体中低势垒快过程，块体液体热力学性质的长时间平衡模拟难以实现。近二十年的数据驱动回归方法推动了机器学习原子间势发展，可用远低成本逼近第一性原理精度，但其物理可解释性较弱、机制趋势推导能力有限，且预测上限受训练数据质量与多样性制约。多数第一性原理材料模型依赖周期密度泛函理论（DFT）的广义梯度近似（generalized-gradient approximation），对非共价相互作用和构象偏好存在缺陷。由于机器学习势不会优于其量子化学训练数据，因此弄清低层DFT用于固–液平衡时的典型精度至关重要。同时，昂贵AIMD只能用小系综，太小模拟盒会产生有限尺寸伪影，可能抵消高精度采样收益。相较于已有Z20、C21、X23、G60等升华基准集，学界缺乏适用于分子晶体固–液平衡、含高纯可逆相变与小分子以兼顾未来AIMD测试的通用基准。该论文发表于《Physical Chemistry Chemical Physics》，研究人员据此策划X10基准集，并基准测试经典MD与PBE-D3(BJ)/GTH的AIMD在熔融焓及熔融密度变化上的表现，得出AIMD平均误差低于2.0 kJ mol^?1、略优于经典OPLS-AA模型，但代价是CPU核时增加约1200至32000倍，且二者均未达到亚化学精度（sub-chemical accuracy，误差低于1 kJ mol^?1）。该研究意义在于为机器学习势训练数据质量设定参照，并警示小盒AIMD与通用力场在定量固–液转变预测中的边界。

关键技术方法上，研究人员从NIST ThermoLit与Cambridge Structure Database获取实验熔融温度、熔融焓及晶态密度，液体密度由近熔点多温度数据外推；经典MD用LAMMPS与OPLS-AA力场、CM5电荷、60 ?/20 ?/15 ?三类盒子、NpT系综与各向同性/三斜恒压器；AIMD用CP2K的GPW方法、PBE加D3(BJ)校正、GTH赝势与TZVP基组、小盒NpT模拟；通过分别采样晶体与液体相 enthalpy 求差得到熔融焓，并借配位数与径向分布函数分析氢键与色散。

3.1. Global benchmark：研究人员用大盒经典MD与AIMD小盒计算晶体、液体密度及Δρ，发现液体密度总低于晶体；经典MD密度RMSE约8%至11%，AIMD约4%，AIMD结构描述更优。Δρ上经典模型多低估结晶打包效率，使液体相对过稳、熔融焓偏低；AIMD对平面环物种苯、咪唑、三嗪高估Δρ，可能与PBE离域误差加强有序晶体π–π过度结合有关。配位数显示熔融后位点特异性接触多数下降，但小全氢键分子如乙酸、氨、甲酰胺配位数变化小于6%，而含极性与非极性段分子变化可达42%。

Fusion enthalpies基准：MD60、MD20、MD15与AIMD15结果列示显示，经典大盒RMSE为2.3 kJ mol^?1，AIMD小盒为1.8 kJ mol^?1；二者均满足化学精度（低于4 kJ mol^?1）但未达亚化学精度。经典MD倾向低估熔融焓，AIMD倾向高估，吡咯烷与尿素除外。有限尺寸效应对熔融焓绝对值无系统收敛趋势，AIMD小盒优势主要源自PBE-D3电子结构本身，而非小盒误差抵消。

讨论与结论部分：研究人员指出，通用非极化经典力场不足以把固–液平衡推到亚化学精度，未来需离开通用力场，采用从头算蒙特卡洛或模仿高层DFT及波函数理论的机器学习势。AIMD虽精度略好，但成本相对MD60与MD15分别约高1200倍与32000倍，性价比有限。X10集保留不理想经典结果以警示非专家：小分子材料经典模拟有风险。结论可译为：中性分子材料熔融焓用PBE-D3(BJ)/GTH的AIMD通常可预测至距实验约2 kJ mol^?1，平均精度略高于经典力场；该结果重要，因为同类DFT常被用作机器学习原子间势训练数据，其精度上限决定下游势函数上限。有限尺寸伪影对AIMD熔融焓影响较小且不规则，不应被当作AIMD小盒表现的主要解释。若要定量预测固–液转变与相平衡，当前通用MD与低层AIMD均不够，需更高层电子结构或经高层数据精炼的机器学习势。