涉及到原子空间传输的扩散决定了许多重要的过程和行为，如沉淀和相形核。成分复杂的材料中固有的化学复杂性对原子扩散建模和由此形成的化学有序结构带来了一定挑战。鉴于此，来自加州大学的Penghui Cao等人开发了一种神经网络动力学（NNK）方法，该方法能够预测和模拟复杂浓缩化学环境中扩散诱导的化学和结构演变。

文章要点：

1) 该研究开发的这种框架是基于高效的晶格结构和化学表示，结合人工神经网络，能够精确预测所有路径相关的迁移势垒和单个原子跳跃，为了证明该方法的可行性，他们研究了耐火NbMoTa合金中与温度相关的局部化学有序，并揭示了B2有序达到最大值的临界温度；

2) 此外，研究发现，原子跳跃随机性图在该特征温度附近表现出最高的扩散不均匀性（多重性），这与化学有序和B2结构的形成密切相关，可扩展的NNK框架为探索具备潜在优越性质的组成空间中的扩散行为提供了一条可行途径。

参考资料：

Wang, Y., Zhou, Y., Yang, Q. et al. Self-assembly of nanocrystal checkerboard patterns via non-specific interactions. Nat Commun 15, 3913 (2024).

10.1038/s41467-024-47572-2

https://doi.org/10.1038/s41467-024-47572-2