面向钛酸铌掺杂二氧化钛(110)表面的极化子自动化建模：缺陷与反应性新见解

《npj Computational Materials》：Automated modeling of polarons: defects and reactivity on TiO2(110) surfaces

本研究针对极化子对功能材料行为影响机制不清的难题，开发了一套基于密度泛函理论(DFT)的自动化建模工作流，结合机器学习技术，高效探索了Nb掺杂TiO2(110)表面的缺陷-极化子构型空间。研究发现，氧空位通过稳定表面原子层的极化子，显著影响表面反应性，而Nb掺杂影响甚微。该工具包为系统研究复杂材料体系中的极化子效应提供了高效方案。

　　

在功能材料的世界里，极化子（Polarons）扮演着神秘而关键的角色。这些由载流子与晶格畸变耦合形成的准粒子，广泛存在于各类功能材料中，对从能源转换到电子器件的众多技术应用性能有着决定性的影响。然而，尽管其重要性不言而喻，极化子对材料行为的确切影响却一直笼罩在迷雾之中。一个核心的挑战在于，传统的凝聚态物质研究手段难以精确捕捉极化子与晶体中各种原子缺陷（如掺杂、空位）之间复杂的相互作用。这种相互作用如同一个精密的微观舞蹈，决定了电荷如何被捕获、局域化，并最终影响材料表面的化学反应活性。理解这一舞蹈，对于设计下一代高性能催化材料、电子器件至关重要。为此，研究人员将目光投向了锐掺杂的二氧化钛(TiO₂)这一经典材料体系，特别是其(110)表面。二氧化钛因其在光催化、太阳能电池等领域的广泛应用而被深入研究，但其表面反应性的微观机制，尤其是缺陷与极化子协同作用的细节，仍有大量未知。为了拨开这层迷雾，一项发表在《npj Computational Materials》上的研究，引入了一套创新的自动化计算框架，旨在系统解密二氧化钛表面缺陷与极化子的“共舞”如何调控其反应性。

为了开展这项研究，作者团队主要依赖几个关键的技术方法。首先是密度泛函理论（Density Functional Theory, DFT）计算，作为整个研究的理论基石，用于精确计算材料的电子结构和能量。其次，研究人员开发了一套自动化的建模工作流，其核心是实现对系统中极化子最稳定构型的全自动识别。最后，为了高效探索广阔的缺陷-极化子构型空间，研究引入了机器学习（Machine Learning）技术，加速了预测过程，使得大规模、系统性的扫描成为可能。该研究应用于Nb掺杂的TiO₂(110)表面体系。

自动化工作流与机器学习加速

本研究首先提出并验证了一个用于建模极化子的自动化工作流。该工作流的核心优势在于能够自动、系统地识别给定材料系统中能量最有利的极化子构型。通过结合机器学习算法，研究实现了对缺陷-极化子复杂构型空间的高效探索，显著提升了计算效率，为后续深入分析奠定了基础。

Nb掺杂与氧空位的影响

应用上述方法到Nb掺杂的TiO₂(110)表面后，研究获得了关于缺陷影响表面反应性的新见解。研究人员以CO吸附作为探针反应来评估表面反应性。结果发现，Nb掺杂本身对表面反应性的影响非常有限。相比之下，氧空位的存在则对反应性有显著贡献，但其影响强烈依赖于氧空位在表面的局部排列方式。

极化子稳定与表面反应性机制

深入的分析揭示了氧空位影响反应性的关键机制：通过稳定表面原子层上的极化子。也就是说，氧空位的特定排列能够促进电荷以极化子的形式局域化在表面原子上，这种电荷的重新分布和局域化直接调制了表面的化学活性，从而影响了如CO吸附等过程的难易程度。这明确了在TiO₂(110)表面体系中，极化子的形成和稳定是连接原子尺度缺陷（氧空位）与宏观尺度反应性的关键桥梁。

本研究通过开发并应用一套集成自动化与机器学习的计算工作流，深入揭示了Nb掺杂TiO₂(110)表面反应性的微观机制。研究得出结论，表面反应性主要受氧空位调控，而非Nb掺杂剂本身。其核心机制在于氧空位特定的局部排列能够稳定表面原子层上的极化子，这种极化子的稳定化作用是增强表面反应性的关键。相比之下，Nb掺杂对反应性的直接影响很小。这项工作的意义在于，它不仅为理解二氧化钛这一特定体系的表面化学提供了更清晰的物理图像，更重要的是，其所开发的软件包极大地简化了电荷捕获和极化子局域化的建模过程，实现了高效率的计算。这使得对未来更复杂的材料体系进行系统化、大规模的极化子效应研究成为可能，为从原理上设计和优化高性能功能材料（如催化剂、半导体器件）提供了强大的理论工具和新的研究范式。