从静止原子到预形核团簇——液态金属的隐藏秩序，正在颠覆我们对凝固的百年认知
一、开篇：熔体不是“一锅粥”——原子团簇，液态金属中的隐藏秩序
液态金属是我们最熟悉的材料状态之一。铸造、焊接、增材制造、非晶制备——几乎所有金属材料都经历过“液态”这个阶段。熔体结构直接影响最终的微观组织和力学性能，正如山东大学团队2024年发表在《Materials》上的综述所强调的：液态金属是所有金属制品的“母相”，理解液态结构是调控材料性能的关键。
但一个根深蒂固的误区长期存在：很多人认为液态金属就是一堆原子随机运动、毫无秩序。
事实恰恰相反。
2024年《Materials》上那篇综述明确指出，高温液态X射线衍射研究已达成广泛共识：金属熔体中存在短程有序和中程有序结构。换句话说，即使在“混乱”的液体中，原子也在皮秒级的时间尺度上自发聚集成有序的原子团簇。
这篇综述详细梳理了从早期瞬态模型到热力学统计模型的整个演进历程。传统观点认为液态金属中原子排列完全无序，而现代研究表明短程有序原子团簇与大量自由原子共存，团簇与自由原子之间存在动态交换——部分团簇消失的同时，新的团簇也在不断形成。这一动态平衡图像彻底重塑了我们对液态金属结构的理解。
更令人惊讶的是，RMIT大学团队2024年发表在《Advanced Materials》上的研究发现：最常用的室温液态金属溶剂EGaIn和Galinstan，在纳米尺度上高度结构化，形成了尺寸从15.7 Å到157 Å不等的原子团簇。即使在60°C和90°C的高温下，这些共晶合金依然保持其团簇结构，说明它们并非由独立原子组成的简单均质流体。这项研究利用小角中子散射（SANS）结合分子动力学模拟，首次揭示了低熔点液态金属溶剂中纳米尺度团簇的直接证据。
金属熔体中的原子团簇，正在成为材料科学中最被低估的“黄金地带”——谁能率先掌握团簇的表征与调控方法，谁就能在凝固组织控制、非晶形成能力预测、新型合金设计等方向实现突破性进展。
当然，前段时间给大家推荐了一个目前最强大的金属材料公众号，不知道大家有没有细心看，内容讲的是真不错！
二、团簇到底是什么？——从短程有序到预形核团簇的完整概念谱系
2.1 短程有序与中程有序
在金属熔体中，“有序”分为两个层级：
短程有序（Short-Range Order, SRO） ：指第一近邻壳层内原子的排列规律。在液体金属中，SRO的特征表现为对分布函数g(r)的第一峰和第二峰。SRO决定了熔体的近邻配位数和键合特征。2025年发表于《Physical Review B》的研究利用从头算分子动力学（AIMD）模拟研究了Cu-Ti合金熔体，发现过冷熔体中Cu原子周围存在明显的五重对称性和二十面体短程有序，Cu50Ti50成分具有最高的五重对称有序度，这解释了该成分熔体最慢的动力学行为和最高的过冷度。
中程有序（Medium-Range Order, MRO） ：指延伸到第二、第三近邻壳层的结构相关性。中子散射研究的最新进展表明，镓熔体中共存两种中程有序结构，且它们具有与短程有序截然不同的动力学行为。这一发现意味着熔体中的有序结构比我们想象的更加丰富和复杂。
2.2 化学短程有序与拓扑短程有序
对于多组元合金，团簇结构可以从两个维度来理解：
化学短程有序（Chemical SRO） ：不同元素原子在近邻壳层中的非随机分布倾向。某些元素倾向于彼此靠近（如Cu-Ti中弱Cu-Ti相互作用导致化学分离趋势），而另一些则倾向于交替排列。
拓扑短程有序（Topological SRO） ：仅关注原子位置的几何排列，不考虑元素种类。例如，二十面体短程有序（ICO-SRO）是一种典型的高对称性拓扑结构，在多种金属熔体中普遍存在。2025年发表于《Journal of Materials Research and Technology》的研究利用团簇类型指数法（CTIM）研究了NiCoCr多主元合金的凝固过程，发现在数千种出现的原子团簇类型中，仅有22种拓扑团簇类型对形核起关键作用。
2.3 预形核团簇：形核之前的“隐藏序”
传统形核理论假设晶核从均匀液相中通过随机涨落形成。但近年来越来越多的证据表明，在真正的形核发生之前，熔体中就存在“预形核团簇（Pre-Nucleation Clusters, PNCs）”。
2024年Süle等人发表在《Physical Chemistry Chemical Physics》上的工作，通过无偏分子动力学模拟和空间分辨原子位移图（d-maps）发现：深度淬火的过冷液态铁在凝固过程中会形成亚稳态的预形核团簇。这些PNCs几乎静止不动（动力学被冻结），而相关的原子迁移率异质性在原子位移图上清晰可见。研究还揭示了一个两阶段形核过程：第一步是小原子团簇的活化聚集，第二步是早期分叉状预形核团簇的无组装、近乎无能垒的超快生长。
2.4 静止原子：颠覆液固边界的新概念
2025年12月发表在《ACS Nano》上的一项研究彻底刷新了人们对液态金属的认知。德国乌尔姆大学和英国诺丁汉大学的联合团队利用球差校正高分辨透射电镜（HRTEM）在低加速电压下观察了铂、钯和金的熔化与凝固过程，发现液态金属纳米颗粒中可以存在静止原子，而这些原子的数量和位置直接决定了冷却过程中的凝固路径。
当纳米颗粒熔化时，快速运动原子对HRTEM图像的衬度贡献消失，从而使静止原子得以显现。这一发现意味着液固两相之间的边界远比之前认为的模糊——液态金属的某些区域已经表现出“类固态”特征，而正是这些特征决定了形核的发生位置和方式。
三、团簇研究的方法论“武器库”
3.1 实验表征技术
（1）高温X射线衍射（HTXRD）
HTXRD是研究金属熔体结构最经典的方法。通过测量液态金属的X射线散射强度，可以计算结构因子S(q)和约化径向分布函数G(r)，从而获取短程有序信息。山东大学的综述指出，HTXRD已证实短程和中程有序在金属熔体中普遍存在。HTXRD的优势在于高温条件下的稳定性和相对简单的样品环境，但轻元素散射能力弱，且仅能提供平均结构信息。
（2）中子散射与静电悬浮技术
中子散射对轻元素敏感，是X射线衍射的重要互补手段。DLR（德国航空航天中心）团队利用中子散射结合同位素取代技术，测定了Zr-Ni、Hf-Ni、Ni-B、Ti-Ni等多种二元熔体的全组偏结构因子，并与准弹性中子散射测得的自扩散系数相结合，探讨了短程结构与原子动力学之间的关系。
结合静电悬浮（ESL）技术，可以实现深过冷条件下的中子/X射线散射研究。中子静电悬浮设施（NESL）使Cu-Zr-Al金属玻璃形成液体的Van Hove函数测定成为可能，从时间依赖对关联函数中提取了原子有序的时间尺度信息。
（3）原位高分辨透射电镜（HRTEM）
2025年乌尔姆-诺丁汉团队的静止原子研究展示了HRTEM在团簇研究中的巨大潜力。他们开发的方法能够在20°C到800°C的宽温区内对金属颗粒进行原子级成像，而不损失分辨率。这种方法可以直接观察液态金属中的原子级结构特征，为理解团簇的静态和动态行为提供了前所未有的窗口。
（4）小角中子散射（SANS）
RMIT团队利用SANS发现了EGaIn和Galinstan液态金属溶剂中15.7—157 Å尺度的纳米团簇结构。SANS可以探测比传统X射线衍射更大尺度的结构不均匀性，对研究中程有序和团簇聚集行为特别有效。
3.2 计算模拟方法
（1）经典分子动力学（CMD）
经典MD使用经验势函数（如EAM势），可以模拟数百万原子、纳秒级时间尺度的体系。密西西比州立大学和NIST团队将ESL-X射线散射实验与EAM分子动力学模拟相结合，研究了Au-Si、Pd-Si、Pd-Cu-Si等金属玻璃形成液体的结构演化。
（2）从头算分子动力学（AIMD）
AIMD直接在密度泛函理论（DFT）的层次上计算原子间力，精度最高，但体系规模受限（通常<500原子）。Cu-Ti合金熔体的AIMD研究揭示了成分依赖的五重对称性和二十面体短程有序，将结构特征与过冷度直接关联。
（3）逆蒙特卡洛（RMC）模拟
RMC是一种独特的建模方法，直接从实验数据（X射线/中子衍射结构因子、EXAFS谱）出发，构建与实验数据一致的三维原子构型，而非从势函数出发预测结构。匈牙利Wigner研究中心的液体结构研究组系统地将RMC与MD结合，生成既与实验数据一致又在能量上合理的、包含数万个原子的大尺度构型，随后进行几何分析以回答原子级结构的具体问题。
（4）机器学习势函数（MLIPs）
这是当前最前沿的方向。Krishnadas等人开发的框架结合了DFT能量计算、全局优化和Allegro E(3)-等变神经网络势函数，实现了接近DFT精度的铝团簇熔化相变模拟。这一方法使并行回火蒙特卡洛模拟能以近DFT精度高效进行，为更大规模的高精度团簇模拟打开了大门。DLR团队也在利用高维神经网络势（HDNNP）研究Al-Ni熔体中的形核过程。
（5）团簇类型指数法（CTIM）
CTIM是一种专门用于识别和表征原子团簇拓扑结构的方法。在NiCoCr多主元合金的凝固研究中，CTIM成功识别出关键团簇类型，并发现三个临界温度点T1（1440 K）、T2（1418 K）、T3（1390 K），分别对应ICO-like、BCC-like和缺陷HCP原子团簇的饱和点。CTIM的优势在于可以处理复杂的多组元体系，自动识别并统计各种拓扑结构团簇的演化。
四、从形核到性能：团簇如何决定材料命运
4.1 经典形核理论的挑战与补充
经典形核理论假设晶核具有与最终晶体相同的结构和成分。但团簇研究揭示的图景要复杂得多。Süle等人的工作表明，深度淬火液态铁中预形核团簇的形成经历两阶段过程：先活化聚集，再无组装超快生长。NiCoCr合金的MD研究表明，尽管凝固过程中出现数千种团簇类型，只有22种拓扑团簇类型真正参与形核。临界晶核的微观结构受冷却速率显著影响，这意味着通过控制冷却条件可以调控形核路径和最终的微观组织。
4.2 非晶形成能力与团簇结构
金属玻璃的形成能力与熔体中的团簇结构密切相关。Cu-Ti合金中，Cu50Ti50成分具有最高的五重对称有序度和最大量的Frank-Kasper多面体，这解释了为什么该成分的熔体动力学最慢、过冷度最高——有利于在冷却过程中避开结晶，形成非晶态。金属玻璃形成液体中存在的二十面体短程有序结构与晶体结构的对称性冲突，形成动力学和热力学的双重障碍，延缓了形核和晶体生长。
4.3 成分偏析与凝固组织的遗传
熔体中的团簇结构是最终凝固组织的“种子”。静止原子的存在意味着某些原子在液态中就已经“锚定”在特定位置，这些位置成为形核的优先位点。团簇的成分特征通过凝固过程“遗传”到固体中，决定了微观偏析的模式和最终性能。研究表明，局部化学短程有序在高温液态和刚凝固的高温固体中非常微弱，而在低温凝固固体中则基本不存在——这是由于快速冷却与原子扩散之间的竞争所致。这意味着，通过控制冷却速率和添加微量元素来调控熔体中的团簇结构和化学有序度，可以实现对最终凝固组织和成分分布的精准设计。
五、从零到一的实战操作指南（含代码）
5.1 基于LAMMPS的金属熔体团簇分析
以下以铝熔体的凝固过程为例，展示如何在LAMMPS中进行团簇分析模拟：
# ============================================================
# 铝熔体凝固过程的团簇分析模拟
# 适用于 LAMMPS 7Feb2024 及以上版本
# ============================================================
# ---------- 1. 基础设置 ----------
units metal
dimension 3
boundary p p p
atom_style atomic
timestep 0.002 # 2 fs 时间步长
variable latparam equal 4.05
# ---------- 2. 构建初始熔体模型 ----------
lattice fcc ${latparam}
region whole block 0 20 0 20 0 20
create_box 1 whole
create_atoms 1 region whole
# ---------- 3. 势函数 ----------
pair_style eam/alloy
pair_coeff * * Al99.eam.alloy Al
# ---------- 4. 熔化与平衡 ----------
velocity all create 1200.0 4928459 dist gaussian
fix 1 all npt temp 1200.0 1200.0 1.0 iso 0.0 0.0 10.0
run 50000 # 100 ps 熔化
# ---------- 5. 冷却凝固 ----------
reset_timestep 0
variable T0 equal 1200.0
variable Tf equal 300.0
variable rate equal 5e11 # 冷却速率 5e11 K/s
fix 2 all npt temp 1200.0 300.0 $(100.0/${rate}) iso 0.0 0.0 100.0
run $(((${T0}-${Tf})/${rate}/0.002)) # 达到最终温度
# ---------- 6. 输出设置（用于团簇分析）----------
dump cluster all custom 5000 dump.cluster.lammpstrj idtype x y z
compute rdf all rdf 200 1 1
fix rdf_out all ave/time 100 10 10000 c_rdf[*] file rdf.dat mode vector
# ---------- 7. 团簇分析计算 ----------
compute csym all centro/atom fcc # 中心对称参数
compute peatom all pe/atom
variable cluster_cutoff equal 3.2 # 团簇判据的截断半径（第一近邻）团簇分析的Python后处理（基于OVITO）：
from ovito.io import import_file
from ovito.modifiers import (
ClusterAnalysisModifier,
PolyhedralTemplateMatchingModifier,
CommonNeighborAnalysisModifier
)
import numpy as np
defanalyze_clusters(dump_file, frame=-1):
"""
分析LAMMPS dump文件中的原子团簇结构
参考：CTIM方法及OVITO聚类分析
"""
pipeline = import_file(dump_file)
# 1. CNA分析——识别晶体/非晶/二十面体原子
pipeline.modifiers.append(CommonNeighborAnalysisModifier())
# 2. 团簇分析——识别空间上相连的原子团簇
pipeline.modifiers.append(ClusterAnalysisModifier(
cutoff=3.5, # 团簇定义截断半径 (Å)
sort_by_size=True
))
# 3. 计算指定帧
data = pipeline.compute(frame)
# 4. 提取团簇信息
cluster_sizes = data.particles['Cluster']
cna_types = data.particles['Structure Type']
# 5. 统计各类型原子数量
# CNA类型: 0=Other, 1=FCC, 2=HCP, 3=BCC, 4=ICO
unique, counts = np.unique(cna_types, return_counts=True)
type_counts = dict(zip(unique, counts))
# 6. 团簇尺寸分布
cluster_ids = np.unique(cluster_sizes)
cluster_id = cluster_ids[cluster_ids > 0] # 排除自由原子
size_distribution = {}
for cid in cluster_id:
size = np.sum(cluster_sizes == cid)
size_distribution[cid] = size
# 7. 识别最大团簇及其特征
max_cluster_id = max(size_distribution, key=size_distribution.get)
mask = cluster_sizes == max_cluster_id
max_cluster_cna = cna_types[mask]
return {
'cna_type_counts': type_counts,
'cluster_size_distribution': size_distribution,
'num_clusters': len(cluster_id),
'max_cluster_size': size_distribution[max_cluster_id],
'max_cluster_ico_fraction': np.sum(max_cluster_cna == 4) / len(max_cluster_cna)
}
# 批量处理所有时间帧
defbatch_cluster_analysis(dump_file, start_frame=0):
pipeline = import_file(dump_file)
pipeline.modifiers.append(CommonNeighborAnalysisModifier())
pipeline.modifiers.append(ClusterAnalysisModifier(cutoff=3.5, sort_by_size=True))
num_frames = pipeline.source.num_frames
results = []
for frame inrange(start_frame, num_frames):
data = pipeline.compute(frame)
cluster_sizes = data.particles['Cluster']
cna_types = data.particles['Structure Type']
# 最大团簇尺寸
max_cluster = np.max(cluster_sizes) iflen(np.unique(cluster_sizes)) > 1else0
# ICO原子比例
ico_fraction = np.sum(cna_types == 4) / len(cna_types)
results.append({
'frame': frame,
'max_cluster_size': max_cluster,
'ico_fraction': ico_fraction
})
return results5.2 径向分布函数的计算与分析
径向分布函数g(r)是表征熔体短程有序的核心工具：
import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import KDTree
defcompute_rdf(positions, box_length, nbins=200, rmax=None):
"""
从原子坐标计算径向分布函数g(r)
"""
if rmax isNone:
rmax = box_length / 2.0# 最小镜像约定
n_atoms = len(positions)
density = n_atoms / (box_length**3)
# 构建KD树加速近邻搜索
tree = KDTree(positions, boxsize=box_length)
# 计算所有原子对的r_ij
distances = []
for i inrange(n_atoms):
# 搜索半径rmax内的所有近邻
neighbors = tree.query_ball_point(positions[i], rmax)
for j in neighbors:
if i < j: # 避免重复计数
# 考虑周期性边界的最小镜像距离
rij = positions[j] - positions[i]
rij = rij - box_length * np.round(rij / box_length)
d = np.linalg.norm(rij)
if d < rmax:
distances.append(d)
# 构建直方图
hist, bin_edges = np.histogram(distances, bins=nbins, range=(0, rmax))
dr = bin_edges[1] - bin_edges[0]
# 归一化为g(r)
r = (bin_edges[:-1] + bin_edges[1:]) / 2
shell_volumes = 4 * np.pi * r**2 * dr
g_r = hist / (n_atoms * density * shell_volumes)
return r, g_r
defidentify_first_shell(r, g_r):
"""
从g(r)中识别第一近邻壳层信息
返回：第一峰位置、第一谷位置、配位数
"""
from scipy.signal import find_peaks
# 找到第一个峰
peaks, _ = find_peaks(g_r, height=1.0)
iflen(peaks) == 0:
returnNone, None, None
first_peak_idx = peaks[0]
r1 = r[first_peak_idx]
# 找到第一谷（第一峰之后的第一个极小值）
valley_idx = first_peak_idx + np.argmin(g_r[first_peak_idx:])
r_min = r[valley_idx]
# 计算配位数
# CN = ∫_0^{r_min} 4πr²ρ g(r) dr
dr = r[1] - r[0]
density = 4.0 / (4.05**3) # 假设铝的原子密度，可根据实际调整
mask = r < r_min
cn = np.sum(4 * np.pi * r[mask]**2 * density * g_r[mask] * dr)
return r1, r_min, cn5.3 基于CTIM的拓扑团簇识别（Python框架）
团簇类型指数法（CTIM）的核心思想是根据Voronoi多面体的面数分布来唯一标识每个原子的局部拓扑环境：
def compute_voronoi_signature(positions, cutoff=5.0):
"""
计算每个原子的Voronoi签名（基于Voronoi多面体）
返回格式：(n3, n4, n5, n6, n7, n8)，其中ni表示有i条边的面数
参考：CTIM方法
"""
from scipy.spatial import Voronoi
import numpy as np
n_atoms = len(positions)
signatures = []
# 构建包含周期性边界的Voronoi图
# 注意：这里简化为非周期性边界，实际需扩展镜像原子
vor = Voronoi(positions)
for i inrange(n_atoms):
region_idx = vor.point_region[i]
region = vor.regions[region_idx]
if -1in region: # 排除开放区域
signatures.append(None)
continue
# 统计每个面的边数
face_edges = []
for vertex_idx in region:
# 查找包含该顶点的ridge
pass# 详细实现需进一步展开
# 统计ni
n_counts = np.zeros(9, dtype=int)
# ... 实现细节
return signatures5.4 RMC建模：从实验数据重建原子构型
逆蒙特卡洛（RMC）模拟的基本思路：
def rmc_step(configuration, exp_Sq, q_range, temperature=1.0):
"""
逆蒙特卡洛单步迭代
参考：Wigner研究中心的RMC方法
"""
import numpy as np
n_atoms = len(configuration)
# 1. 随机选择一个原子并尝试移动
atom_idx = np.random.randint(0, n_atoms)
old_pos = configuration[atom_idx].copy()
# 尝试随机位移
displacement = np.random.normal(0, 0.1, 3)
configuration[atom_idx] += displacement
# 2. 计算移动前后的结构因子
Sq_old = compute_structure_factor(configuration, q_range)
Sq_new = compute_structure_factor(configuration, q_range)
# 3. 计算χ²变化
chi2_old = np.sum(((Sq_old - exp_Sq) / exp_Sq_err)**2)
chi2_new = np.sum(((Sq_new - exp_Sq) / exp_Sq_err)**2)
delta_chi2 = chi2_new - chi2_old
# 4. Metropolis接受/拒绝
if delta_chi2 < 0or np.random.random() < np.exp(-delta_chi2 / temperature):
returnTrue, chi2_new # 接受移动
else:
configuration[atom_idx] = old_pos
returnFalse, chi2_old # 拒绝移动实际应用中，RMC通常与能量约束相结合（如结合EAM势能量惩罚项），以确保生成的三维构型既与实验数据一致，又在物理上合理。
六、常见问题与解决方案
七、小白的入门学习路线 vs 大神的进阶玩法
小白路线（第1—4周）
第1周：理论奠基
• 学习液态金属短程有序的基本概念 • 理解对分布函数g(r)和结构因子S(q)的物理意义 • 精读《Materials》2024金属熔体结构模型综述
第2周：软件环境搭建
• 安装LAMMPS（ conda install -c conda-forge lammps）• 安装OVITO及Python模块 • 运行示例代码，生成第一条g(r)曲线
第3周：经典案例复现
• 模拟纯铝熔体的冷却凝固过程 • 用CNA方法分析团簇结构演化 • 绘制团簇尺寸随温度的演化曲线
第4周：文献调研
• 精读Cu-Ti合金AIMD研究（PRB 2025） • 精读NiCoCr凝固团簇演化（JMRT 2025） • 梳理自己的研究问题
大神进阶（第5—12周）
路线一：RMC+MD混合建模
• 获取同步辐射/中子散射实验数据 • 使用RMC生成初始构型 • 用MD进一步弛豫和动力学分析 • 发表“实验+模拟”双验证的高影响力论文
路线二：机器学习势开发
• 用DFT计算生成团簇构型数据库 • 训练Allegro/DeepMD/NEP势函数 • 进行近DFT精度的大规模凝固模拟 • 揭示团簇演化的精细机制
路线三：原位实验
• 利用HRTEM观察液态金属中的静止原子 • 结合SANS分析团簇尺寸分布 • 建立“原子级成像+散射”的多尺度表征策略
路线四：多主元合金团簇
• 研究化学短程有序与拓扑短程有序的耦合 • 利用CTIM分析数千种团簇类型的统计规律 • 揭示成分-团簇-性能的关联图谱
八、资源汇总
开源软件与工具
必读顶刊论文
1. Jiang A, Li Y, Wu Q, et al. Structure Models of Metal Melts: A Review. Materials, 2024, 17(23): 5882. DOI: 10.3390/ma17235882 2. Leist C, Ghaderzadeh S, Kohlrausch EC, et al. Stationary Atoms in Liquid Metals and Their Role in Solidification Mechanisms. ACS Nano, 2025. DOI: 10.1021/acsnano.5c08201 3. Kreuzer LP, Yang F, Meyer A, Jakse N. Impact of local structure on melt dynamics in Cu-Ti alloys. Physical Review B, 2025, 111: 144107. 4. Formation and evolution mechanisms of topological and chemical short-range order in NiCoCr multi-principal element alloy. Journal of Materials Research and Technology, 2025. 5. Süle P. Resolving heterogeneous particle mobility in deeply quenched liquid iron. Physical Chemistry Chemical Physics, 2024, 26: 26091-26108. 6. Krishnamurthi V, et al. Structural Evolution of Liquid Metals and Alloys. Advanced Materials, 2024, 36(30): 2403885. 7. Krishnadas A, Charron NE, Fournier R. Melting Transitions in Small Aluminum Clusters Simulated with Energies Approaching DFT Accuracy. Journal of Chemical Theory and Computation, 2025. 8. Kalicki N, Ruhland K, Chen F, et al. Correlated Atomic Dynamics in a CuZrAl Liquid. Liquids, 2025, 5(1): 4.
关键实验设施
• Spallation Neutron Source（SNS） ：中子散射实验，含NESL中子静电悬浮设施 • European Synchrotron Radiation Facility（ESRF） ：高亮度同步辐射X射线 • Advanced Photon Source（APS） ：美国同步辐射光源
九、总结与行动指南
核心要点回顾：
1. 液态金属并非无序：短程有序和中程有序原子团簇广泛存在，团簇与自由原子动态平衡 2. 静止原子颠覆了液固边界的传统认知，液态纳米颗粒中可存在决定凝固路径的静止原子 3. 预形核团簇（PNCs） 是形核之前的隐藏有序相，揭示了非经典形核路径 4. 二十面体短程有序（ICO-SRO） 是金属熔体中普遍存在的高对称性拓扑结构，与非晶形成能力密切相关 5. 实验+模拟一体化（HTXRD/中子散射 + RMC + MD/MLIP）是当前最强大的团簇研究方法论 6. CTIM方法可以识别和追踪数千种团簇类型的统计演化，适用于复杂多主元合金体系
一周行动计划：
• 第1—2天：安装LAMMPS+OVITO，运行基础MD代码 • 第3—4天：计算g(r)和CNA，识别第一近邻壳层和ICO原子比例 • 第5—6天：追踪团簇尺寸随冷却速率的演化，找出临界温度 • 第7天：对比文献数据，完成第一轮团簇分析报告
免责声明：本网站所转载的文字、图片与视频资料版权归原创作者所有，如果涉及侵权，请第一时间联系本网删除。
官方微信
《腐蚀与防护网电子期刊》征订启事
- 投稿联系：编辑部
- 电话：010-62316606
- 邮箱：fsfhzy666@163.com
- 腐蚀与防护网官方QQ群：140808415
“海洋金属”——钛合金在舰船的
腐蚀与“海上丝绸之路”