基于神经网络势模拟的过冷液体 Ge$_2$Sb$_2$Te$_5$ 中的黏度、斯托克斯-爱因斯坦关系破裂与动力学异质性

相变材料被广泛应用于非易失性电子存储器和光子器件，这些器件依赖加热时非晶相与晶相之间的快速可逆转变。存储器工作条件下非晶相的再结晶发生在玻璃化转变温度 $T_g$ 以上的过冷液体相中。因此，过冷液体的动力学对器件运行至关重要，而在接近 $T_g$ 时，对玻璃结构弛豫的研究也影响存储器的性能。原子动力学信息由扩散系数（$D$）和黏度（$\eta$）提供，然而由于快速结晶，两者均难以在器件工作条件下实验测量。在本工作中，我们利用针对标志性相变化合物 Ge$_2$Sb$_2$Te$_5$ 的机器学习原子间势，在从 1200 K 到约 $T_g$ 以上 100 K 的宽温度范围内计算了 $\eta$、$D$ 和 $\alpha$-弛豫时间。大规模分子动力学模拟使得量化液体的脆性以及过冷相中 $\eta$ 与 $D$ 之间斯托克斯-爱因斯坦关系的破裂成为可能。等构型分析提供了动力学异质性涌现的可视化，而这种异质性正是斯托克斯-爱因斯坦关系破裂的原因。分析揭示，最易移动原子区域与具有特定局部环境的 Ge 原子相关。