一颗铝纳米颗粒，为什么在常温下能够保持相对稳定，升温后却可能迅速发生剧烈反应？答案藏在它表面那层薄薄的氧化壳中。但这层壳究竟如何阻挡或放行原子，又如何决定颗粒从钝化走向快速氧化，长期以来缺乏清晰的原子尺度图景。
近日，日本东北大学 WPI-AIMR 李昊杰出教授、大连理工大学叶莉莉教授、苏州材科源图科技（MatSource）等合作，在《美国国家科学院院刊》（PNAS）发表研究论文“Multi-AI agent framework reveals the ‘oxide gatekeeper’ in aluminum nanoparticle oxidation”。研究构建了由研究者审核的多AI智能体框架 MLP Copilot，协同机器学习势的开发、主动学习和模型验证，进而揭示：氧化壳层并非静态屏障，而是一位随温度变化而调整行为的动态“守门人”。
在本文研究的条件下，铝向外迁移主导物质输运；氧化壳层则通过“呼吸模式”和“破裂模式”，调控这一输运过程及整体氧化行为。
01｜看清氧化过程，先跨过精度与尺度的鸿沟
铝纳米颗粒是重要的高能量密度固体燃料，其能量密度可达约31 kJ/g。要理解其反应过程，既要准确描述Al–O成键、断键和界面重构，又要追踪足够长时间、足够大尺度上的结构演化。
传统方法往往难以兼顾两者：第一性原理计算精度高，但可处理的原子数与时间尺度有限；经验反应力场能够模拟更大体系，却可能在复杂反应环境中出现精度不足。机器学习势提供了连接两者的途径，但如何覆盖复杂反应空间、持续补充训练数据，并验证模型是否适用于目标体系，仍然需要大量协调工作。
为此，研究团队开发了MLP Copilot，将任务规划、数据生成、模型评估、计算产物追踪和人工审核组织在同一个工作流中（图1）。智能体负责组织知识、检索证据并协助验证规划，计算工具产生可检查的数据与报告，研究者负责模型验收、使用决策和机理解释。这使机器学习势的开发过程更加可追溯，也让后续机理分析建立在可核查的模型证据之上。
图1.（A）多尺度模拟方法中精度与尺度之间的权衡。（B）由研究者审核的MLP Copilot工作流。（C）模型验证与基准测试。（D）不同温度下铝纳米颗粒的氧化机制。该框架支持任务规划、模型评估、计算产物追踪，以及机器学习势部署过程中的人工审批检查点，为开展超出DFT可及时间和长度尺度的铝纳米颗粒氧化模拟，提供了更加有序、可审查的路径（详见补充信息图S8）。
02｜近9万个构型，为反应模拟建立可信基础
研究采用主动学习策略，并结合带时间标记的力偏置蒙特卡洛（tfMC）采样，探索Al–O反应空间。经过约80轮迭代，最终获得包含88,833个构型、覆盖200–3,000 K温度范围的数据集。
图2利用原子位置平滑重叠（SOAP）描述符和主成分分析（PCA），展示训练构型的分布。数据覆盖不同化学计量比及多样化局域环境，为描述氧扩散、铝迁移和相变相关结构提供基础。
在测试集上，模型的能量均方根误差为 1.2 meV/atom，力均方根误差为 0.126 eV/Å。团队还检验了声子、热力学性质及非周期团簇的分布外表现，并测试了较大体系中的计算成本。模型在所测试的100–3,000原子范围内，单步计算时间和GPU显存需求呈近线性增长，为后续目标反应体系的模拟提供了支持。
图2. 基于SOAP的原子构型空间映射与主动学习验证。该图展示了通过PCA对88,833个训练构型进行降维可视化的结果。每个数据点代表一个独立结构，其在二维PCA空间中的位置由SOAP描述符的前两个主成分确定。色标表示每原子能量，从蓝色（低能量）到红色（高能量）。
03｜裸铝颗粒如何氧化？温度决定后续路径
为区分金属本身的反应行为与预先存在的氧化壳层的影响，团队首先研究了裸铝纳米颗粒。
图3显示，在所研究的1,000–2,000 K范围内，最初约200 ps的氧化速率接近，主要受到氧气供应限制。随后，不同温度下的反应行为逐渐分化：1,000 K时趋向表面钝化，更高温度下则能够维持更快的氧化。
图3. 裸金属铝纳米颗粒的两阶段氧化动力学。初始的氧气供应受限阶段（0–200 ps）转变为温度依赖的氧化过程，其中1,000 K时发生表面钝化，而更高温度下则保持持续、更快速的氧化。插图显示截面原子密度分布。
图4进一步归纳了三个温度区间的结构演化：在1,000 K时，氧在铝表面的迁移受限，形成离散的非晶氧化物岛；升至1,700 K，增强的原子运动和表面重构促进更均匀的氧化层生长；在更高温度下，铝原子蒸发提供了额外的气相反应通道，加速氧化。
这说明，即使同样是铝与氧反应，最终表现为局部成核、持续壳层生长，还是气相参与的快速反应，也取决于原子输运方式如何随温度演化。
图4. 裸金属铝纳米颗粒温度依赖氧化机制示意图。（A）低温下，氧化受到表面扩散限制。O原子在Al表面的迁移率较低，导致形成离散的非晶氧化物岛，而非均匀壳层。（B）中等温度下，增强的原子迁移能力使更加均匀但较为稀疏的氧化层得以形成，表现为扩散控制的氧化区间。（C）高温下，铝原子从纳米颗粒表面蒸发，显著加快氧化。这些蒸发的Al原子在气相中与O2反应，导致快速而完全的燃烧。
04｜谁在主导输运：氧向内走，还是铝向外走？
理解氧化机制的一个关键，是确定反应物如何到达反应前沿。究竟主要是氧穿过氧化层、向金属内部扩散，还是内部铝向外迁移，与外部氧反应？
研究结合扩散系数、径向分布及初始核心铝原子的定向追踪，对这一问题进行了分析（图5）。在所研究的反应条件下，铝的扩散系数比氧高约 2–3个数量级。同时，对初始位于核心的铝原子群进行追踪发现，活跃氧化阶段存在正的平均径向位移，支持核心铝的净向外迁移。
前者说明“谁移动得更快”，后者进一步说明“移动的方向”。二者共同支持：在本文研究的氧化环境中，向外迁移的铝是主导物质输运的关键。
图5. 铝主导的输运机制。（A）1,000和1,700 K下Al与O的扩散系数随时间的变化表明，Al的迁移能力高于氧，支持Al迁移是所研究区间中的主导输运路径。（B）1,000和1,700 K下初始外部氧原子（eO）的径向距离分布，用于追踪氧在氧化物生长过程中从表面吸附位点向颗粒内部的迁移。（C）对cAl原子群进行区分方向的分析，给出在选定起始时间初始化的核心原子身份所对应的平均径向位移（⟨Δr(t)⟩ = ⟨ri(t) − ri(t0)⟩）；正位移支持活跃氧化过程中cAl的净向外运动，而较晚起始的原子群则在更接近零的位置波动。
05｜氧化壳层的两副面孔：“呼吸”与“破裂”
真实颗粒通常具有预先形成的氧化壳层。当这一结构被纳入模拟，研究发现，它会显著调节铝输运和反应位点的可及性。
在1,500 K的模拟中，壳层保持整体完整，却持续发生局部结构涨落，短暂打开纳米尺度的输运通道。研究将其称为 **“呼吸模式”**：壳层在动态变化中允许有限的原子输运，使氧化持续进行，同时维持扩散限制。
在2,000 K的模拟条件下，壳层发生显著破裂，内部高活性的铝核心暴露，原有输运屏障被削弱，并进一步促进铝脱附、蒸发及快速反应。这对应 “破裂模式”。
图6将两种模式直观呈现出来。二者的共同基础仍是铝主导的输运，而温度通过改变壳层完整性和通透性，调节整体反应速度。文中的具体温度对应所研究的模拟体系；对于不同颗粒尺寸、壳层形貌和环境条件，转变条件仍需具体评估。
图6. 调节Al输运的氧化壳层守门机制。（A）截面高斯密度分布揭示两种不同模式：1,500 K下的“呼吸模式”，其中动态结构涨落产生瞬态输运通道；以及2,000 K下的“破裂模式”，其中灾变性壳层失效使活性核心暴露。扩散系数始终表明Al的迁移能力高于氧，证实即使受到壳层约束，Al主导的机制仍然存在（不同温度下的详细截面图见补充信息图S12和S13）。（B）不同温度下O2分子和Al原子数量随时间的变化。
06｜AI智能体如何参与这项机理研究？
上述原子尺度图景，建立在持续补充数据、迭代训练与验证模型的基础上。图7展示了研究采用的主动学习循环：首先训练4个使用不同随机种子初始化的模型，随后开展构型探索；当模型对候选构型的预测分歧超过阈值时，调用DFT计算进行标注，再将新数据纳入训练集。
MLP Copilot在这一过程中连接文献知识、数据集记录、模型版本、评估报告和人工审核，使复杂计算流程更容易组织和检查。其价值既体现在协助推进计算，也体现在保留模型为何能够用于目标问题的证据。
图7. 本研究采用的主动学习策略流程图。该循环通过基于委员会查询（Query-by-Committee，QBC）的方法识别具有信息量的原子构型，从而改进机器学习势。首先，在现有数据集上训练4个超参数相同、但使用不同随机种子初始化的并行拟合网络（FN0–FN3）。在势能面（PES）探索阶段，使用tfMC/NVT分子动力学探索构型空间。模型通过计算力偏差（εt）评估候选结构；不确定性超过预设阈值的结构，通过基于CP2K的DFT计算进行标注，并加入训练集。重复这一过程，直至机器学习势在所研究的反应空间内达到期望精度。
从动态壳层到可追溯的计算研究
这项工作将铝纳米颗粒的氧化行为串联成一幅原子尺度图景：铝向外输运为反应提供物质来源，氧化壳层通过温度响应的结构变化调节输运通道，从而使体系表现出受限的持续氧化，或壳层破裂后的快速反应。
与此同时，它展示了AI智能体在计算材料研究中的一种实践路径：将知识组织、主动学习、模型验证和研究者判断连接起来，让复杂模拟过程中的数据、证据与决策能够被追踪。这也为探索其他金属–氧化物界面的动态反应提供了方法参考。
论文信息
Yiming Lu, Tingyu Lu, Di Zhang, Lili Ye*, Hao Li*. Multi-AI agent framework reveals the “oxide gatekeeper” in aluminum nanoparticle oxidation. PNAS, 2026, 123(42), e2537780123.
2026年10月15日发表。
通讯作者：叶莉莉、李昊。
论文链接：https://doi.org/10.1073/pnas.2537780123
平台：https://www.digauto.org
代码：https://github.com/flarecentury/mlpcopilot
本文仅用于学术分享，转载请注明出处，如有侵权，请联系后台小编删除【菲常新品】高通量催化剂制备反应检测系统：①全自动全流程智能化，从制备到检测一站式完成；②适配气固相非冷凝类反应（CO+H₂、合成氨等）。
