从原子级模型到机器学习：极端条件下纳米碳化物的预测性设计
材料科学
2026-03-20 v1 其他凝聚态物理
摘要
在极端条件下（如高爆爆破产生的环境）形成的具有技术价值的纳米碳化物结构仍不完全理解，但对开发受控合成路径具有重要潜力。虽然爆破冲击波提供了 HPHT 环境以形成纳米金刚石，但随后的冷却和减压决定了金刚石相是否保持或转化为其他纳米碳化物结构。本文采用 GPU 加速的 ReaxFF 模拟，探讨爆破纳米金刚石在非线性冷却和减压条件下的石墨化及结构改造过程。进一步研究初始纳米金刚石形貌对结果转化产物的影响。追踪纳米结构、全晶体、碳杂化和环统计的演化。快速冷却结合缓慢减压可优化立方金刚石保留率，而慢冷却伴随快速减压可促进表面向核心的石墨化，产生同心状 sp2 层和空心内核。八面体纳米金刚石演化为碳纳米洋葱，初始形成沓比金刚石，逐渐转化为完全 sp2 结构，而六角棱柱则优先形成类似碳点的平行堆积石墨层。Lonsdaleite 作为界面相出现，暗示了冲击诱导的石墨-金刚石转化路径的潜在可逆性。为拓展预测能力，我们在超过10^5节点小时的模拟数据上训练了 MLP 回归器。该模型可靠地预测从 T-P 轨迹到图案化层数的数量，R² 值超过0.90。总体而言，形貌控制结合优化的冷却-减压条件可促进纳米碳化物全晶体的选择性合成。
引用
@article{arxiv.2603.18316,
title = {From Atomistic Models to Machine Learning: Predictive Design of Nanocarbons under Extreme Conditions},
author = {Xiaoli Yan and Millicent A. Firestone and Murat Keceli and Santanu Chaudhuri and Eliu Huerta},
journal= {arXiv preprint arXiv:2603.18316},
year = {2026}
}