一种严格的数据驱动方法用于金属中缺陷的核化，利用动力学特性与（无）秩参数之间的联系

通过新结构逐渐形成于预先存在的均匀相内部的核化过程是材料科学中的基本问题，但也通常难以阐明。在初始有序结构中发生缺陷（或无序）的核化情况没有例外。一个突出例子是金属中错位的核化，这在显著影响其机械、电子、热和化学性质方面起关键作用。虽然可获得原子水平见解（例如通过分子动力学仿真），但系统地表征核化机制和准确量化动力学速率仍具有挑战性。在本文中，我们演示了用于跟踪转换的秩参数选择对动力学速率（由相应自由能垒和扩散系数预测）的准确性具有非常大的影响，这一事实在过去常被忽视。通过利用这种系统误差，我们演示了是否可能基于变分原理建立的数据驱动方案来严格表征核化过程，从而获得最优秩参数并实现可靠的机制描述。我们将该方法应用于表征以分析复制分子动力学仿真（在弹性-塑性极限下）的铜中晶体错位核化作为代表性案例。通过 committor 分析和 Langevin 模型，该方法允许系统地对候选（无）秩参数进行排序，识别临界核（转换态），并推断自由能景观。鉴于其普遍基础，本方法可扩展到广泛的材料中核化现象。