北大&北航团队揭示电子转移规律，深度学习定量预测96种元素在任意压力下的电负性

电子转移是自然界中最基本的过程，在能量转换、元素循环和生命活动中发挥着重要作用。但现有的电子转移规律很少适用于高压情况，例如在地球深部。

近日，来自北京大学地球与空间科学学院鲁安怀教授/李艳副教授课题组和北京航空航天大学宇航学院白相志教授课题组，提出一个深度学习模型来获得 96 种（H 到 Cm）元素在任意压力下的电负性，以及一个回归统一公式来量化电负性与压力和电子构型的关系。

通过电负性进一步预测了矿物的相对功函数，由于压力引起的电子离域，矿物的相对功函数呈现出随压力降低的趋势。所获得的不同压力下元素电负性值，对于理解元素及其化合物的基本物理化学性质，如极化率和电离能等也具有重要价值。

该研究以「Electron transfer rules of minerals under pressure informed by machine learning」为题，发布在《Nature Communications》上。

高压下电子转移规律未知

电子转移是自然界中最基本的过程。特别有趣的是电子在高压等极端情况下的行为，导致绝缘体-金属转变、超导性、高反应性原子和凝聚态物质的异常物理化学性质等新现象。在高压下驱动电子转移的一般规律仍有待揭示。

电负性是元素的原子在化合物中吸引电子的能力标度。功函数定义为把一个电子从固体内部刚刚移到此物体表面所需的最少的能量，并用作电子结合能的重要指标。

原子的电负性和矿物的功函数也可用于定量评估高压下的电子转移趋势和方向。然而，电负性和功函数在加压时可能会发生很大变化，这归因于压力引起的电子状态变化。

目前，通过光电子和热电子发射光谱等常规技术几乎不可能测量极端条件下的电负性和功函数。高通量计算可以尝试解决这个问题，但在处理比简单化合物具有更复杂成分和结构特征的天然矿物方面似乎仍然薄弱。由于计算量随着电子数量和维数的增加呈指数增长（称为维数灾难），因此计算负担极其沉重。由此产生的高维薛定谔方程几乎无法求解。

因此，迫切需要一种高效的数据处理策略来获得元素在任意压力下的电负性和由这些元素组成的材料的功函数。只有这样，才能揭示高压条件下电子转移背后的一般规律。

深度学习预测压力下的电负性

在这里，来自北京大学和北京航空航天大学的研究团队展示了一种基于深度学习的高效即时策略，来获得 96 个元素的电负性以及由这些元素组成的化合物在高达 500 GPa 的任意压力下的相对功函数。

在此基础上，通过符号回归算法得到了描述电负性对压力和电子构型变化的统一公式。它揭示了在连续变化的压力下相对功函数对矿物成分的定量依赖性。以调压相对功函数作为电负性在地学中的应用实例，可以很好地解释矿物从地壳到地核的电导率普遍增加现象和深部矿物间断面高电导率异常。

特别是，研究揭示了随着压力的增加，两相之间界面功函数差异扩大所驱动的深地电子转移规律。这使研究人员能够对高压下含 Fe(II) 矿物与 H2O 的氧化还原反应顺序做出新的预测，并发现在持续俯冲过程中硅酸盐矿物的巨大压力驱动 H2 生产潜力。

该研究的电负性数据集来自密度函数理论 (DFT) 计算，包括 96 种元素和 4 种不同压力（0、50、200 和 500 GPa）。

受这个具有有限 384 个数据点的有用数据集的启发，深度学习模型用于在连续变化的压力（0-500 GPa）下获得这 96 种元素的电负性。

图 1：旨在构建用于预测电负性和压力调制相对功函数的深度学习和符号模型的工作流程。（来源：论文）

将预测的电负性值与 DFT 计算的 Li、C、N、Na、Mg、Ni 和 Au 在 20、40、60、80 和 100GPa 下的电负性进行了比较。尽管深度学习模型使用的数据集不是来自五个压力点的以上七个元素，但高预测能力（RMSE=0.367，MAE=0.115，R^2=0.990）表明深度学习模型具有出色的泛化性能。