北京大学物理学院徐莉梅、江颖团队用AI赋能原子力显微镜，揭示冰融化前隐藏的“无定形冰层”

近日，北京大学物理学院量子材料科学中心徐莉梅教授、江颖教授及洪嘉妮特聘研究员团队通过发展AI–AFM联合表征解析方法，发现冰在融化前会形成一种此前未知的“无定形冰层”。这层冰虽然结构无序，却仍保持固态特征，为理解冰的融化和生长提供全新视角。相关成果以《原子力显微镜联合机器学习揭示冰预融化中的无定形冰层》（“Unveiling the amorphous ice layer during premelting using AFM integrating machine learning”）为题发表在《物理评论X》（Physical Review X）。

在低于熔点的温度下，晶体表面时常出现“预融化”现象——晶体表层形成一层液体样的无序薄层，而内部仍保持晶体结构。冰作为典型分子晶体，这一现象在气候变化、行星科学、低温保存和大气化学等领域具有重要意义。在前期工作中，团队利用国产原子力显微镜（AFM）对冰表面进行原子尺度成像，在120K条件下首次发现特殊的周期性氢键超结构【Nature 630, 375—380（2024）】，表明冰的预融化并非在约180K出现“准液体层”时才开始，而是在更低的约120K就已发生。然而，由于AFM信号复杂且深层信息缺失，冰表面在120—180K区间的真实结构和动力学行为仍长期难以揭示。

传统的AFM数据解析，往往依赖研究者根据图像手动搭建结构，或通过大量模拟来寻找与实验结果相符的构型。面对构型繁多、结构高度无序的复杂体系时，这无异于大海捞针。为破解这一难题，团队开发了一套基于AI的AFM结构解析框架。该框架首先利用目标检测算法，从AFM图像中自动识别表层原子坐标；随后，在物理约束下，借助生成模型重建实验信号难以直接获取的的亚表面结构。针对实验数据量有限的现实问题，团队采用大量模拟数据训练神经网络，并引入生成对抗网络（GAN）模拟实验噪声，从而提升数据解析的精度和稳定性。这一框架打破了AFM长期以来主要用于研究平面化、周期性结构的局限，使针对复杂无序界面的定量分析成为可能。

图一：机器学习赋能原子力显微镜解析冰表面无序结构示意图

基于这一框架的重构与分子动力学模拟，团队发现了冰表面在121K至180K之间的无定形冰层。该层形成于121K至180K之间，有高度拓扑无序但依然保持固态的动力学特征，随后随温度升高逐渐转化为准液体层（图二）。

图二：冰表面预融化相图示意图

这一发现不仅重新定义了冰的“融化”过程，也为理解冰的生长、重构及其界面反应提供了新的物理视角。团队提出的AI–AFM解析框架实现了实验与模拟的深度结合：一方面，AI–AFM框架通过对实验数据的反演，从实验中“捕捉”到传统模拟难以触及的低温复杂原子级精确构型；另一方面，这些真实结构又被直接用作模拟的起点，使探索以往无法直接观测的复杂动力学行为成为可能。这一创新为探索复杂无序界面、相变行为及材料缺陷等提供了强大的原子级工具，有望在催化界面、功能材料及生物分子研究等广泛领域带来重大应用。

北京大学物理学院量子材料科学中心2019级博士研究生唐宾泽（现为北京大学物理学院博雅博士后）、2020级本科生罗俊熙（现为北京大学物理学院博士生）、2020级博士研究生梁天成（现为北京大学物理学院博雅博士后）、洪嘉妮为论文共同第一作者。徐莉梅、江颖、洪嘉妮为共同通讯作者。该研究工作得到了国家自然科学基金委员会、科技部、教育部、北京市科学技术委员会、北京市发展和改革委员会、国家重点研发计划颠覆性技术创新重点专项、国家万人计划青年拔尖人才项目以及新基石科学基金会的支持。