Stephan Roche，加泰罗尼亚高等研究院（ICREA）研究员（西班牙）

　　基于人工智能的技术已成为加速从材料生长到表征和性能预测等创新过程的关键因素。尤其具有挑战性的是对无序（非晶态）材料、复杂界面和随机组装（二维）材料的建模，这些材料目前主要应用于各种应用中。

　　从这一角度来看，由于氮化硼（aBN）和“非晶态石墨烯”（aG）具有良好的性能，如热稳定性、机械性能、绝缘行为和aBN中超低的介电常数（<2），它们最近已成为许多不同应用中的关键材料。此外，与非晶态氮化硼（hBN）或石墨烯相比，非晶态薄膜更适合大面积沉积，因为它们可以在低温（约400ºC）下在各种基底上生长。然而，它们的性能取决于无序的性质和程度，这需要明确的指标来评估不同的材料。有了这样的指标，就可以在制造过程中调整这些薄膜的性能，以满足所需应用的要求。在此背景下，揭示制造策略与薄膜材料性能之间的关系也至关重要。

　　捕捉材料非晶态的关键特征需要理论表征，以理解材料性能如何随微观结构而变化。由于非晶态材料的模拟需要大型结构模型，尽管密度泛函理论（DFT）具有很高的准确性，但并不适合。另一方面，采用经验原子间势的分子动力学（MD）模拟所需的计算成本要低得多；然而，其准确性可能不足以正确描述非晶态材料的局部环境。机器学习驱动的原子间势（ML-IP）可以以与DFT相似的准确性描述局部环境，且成本更低。在这里，我们为包含不同污染物和掺杂材料的aBN的原子模拟引入了高斯近似势（GAP），这些势是在由DFT计算生成的大型原子结构数据集上训练的。我们将展示一个系统分析，以筛选出作为生长参数（如温度、淬火速率和掺杂剂的存在）函数的可能实际形态，以及使用GAP驱动的MD模拟得出的相应材料性能。本文中大量可能结构的广泛模拟可以为实验研究提供指导，并给出作为实验可控参数函数的缩放行为趋势。鉴于最近的突破和主张，本文还将讨论非晶态对aBN和aG介电性能的影响。

　　Stephan Roche，加泰罗尼亚高等研究院（ICREA）研究员（西班牙）

　　基于人工智能的技术已成为加速从材料生长到表征和性能预测等创新过程的关键因素。尤其具有挑战性的是对无序（非晶态）材料、复杂界面和随机组装（二维）材料的建模，这些材料目前主要应用于各种应用中。

　　从这一角度来看，由于氮化硼（aBN）和“非晶态石墨烯”（aG）具有良好的性能，如热稳定性、机械性能、绝缘行为和aBN中超低的介电常数（<2），它们最近已成为许多不同应用中的关键材料。此外，与非晶态氮化硼（hBN）或石墨烯相比，非晶态薄膜更适合大面积沉积，因为它们可以在低温（约400ºC）下在各种基底上生长。然而，它们的性能取决于无序的性质和程度，这需要明确的指标来评估不同的材料。有了这样的指标，就可以在制造过程中调整这些薄膜的性能，以满足所需应用的要求。在此背景下，揭示制造策略与薄膜材料性能之间的关系也至关重要。

　　捕捉材料非晶态的关键特征需要理论表征，以理解材料性能如何随微观结构而变化。由于非晶态材料的模拟需要大型结构模型，尽管密度泛函理论（DFT）具有很高的准确性，但并不适合。另一方面，采用经验原子间势的分子动力学（MD）模拟所需的计算成本要低得多；然而，其准确性可能不足以正确描述非晶态材料的局部环境。机器学习驱动的原子间势（ML-IP）可以以与DFT相似的准确性描述局部环境，且成本更低。在这里，我们为包含不同污染物和掺杂材料的aBN的原子模拟引入了高斯近似势（GAP），这些势是在由DFT计算生成的大型原子结构数据集上训练的。我们将展示一个系统分析，以筛选出作为生长参数（如温度、淬火速率和掺杂剂的存在）函数的可能实际形态，以及使用GAP驱动的MD模拟得出的相应材料性能。本文中大量可能结构的广泛模拟可以为实验研究提供指导，并给出作为实验可控参数函数的缩放行为趋势。鉴于最近的突破和主张，本文还将讨论非晶态对aBN和aG介电性能的影响。