专家视点

5 原位透射电镜揭秘二维材料形核机制

二维过渡金属硫族化合物（TMDCs）正迅速成为下一代半导体技术的核心材料。其范德华层状结构、原子级厚度以及优异的电子特性，为突破器件微缩的物理极限、迈向亚纳米节点提供了全新路径。在多种合成策略中，采用化学气相沉积（CVD）方法是实验室制备高质量单晶TMDCs的成功途径之一。然而，成核早期阶段的原子凝聚与结构重排机制作为决定最终薄膜晶粒形貌与结构完整性的关键，长期以来始终难以直接观测。

北京科技大学王荣明教授和张智宏副教授团队首次利用环境透射电镜（ETEM），在真实的CVD条件下（MoO₃与硫蒸气作为反应源），实时捕捉了MoS₂成核与早期生长的原子尺度演化过程的重大突破(Science 2026, 391 (6785): 622-627)。苏州国家实验室/南京大学王欣然教授、李涛涛副教授在最新出版的《半导体学报（英文）》2026年第7期上发表News and views文章“In-situ TEM unveils the secrets of two-dimensional material nucleation”对该工作进行了简短评述。

王荣明教授和张智宏副教授团队创新设计一种半封闭式微反应腔。其独特结构既保证了MoO₃与硫的高局部蒸气压，使晶核能够在TEM视场内形成，又有效隔绝了前驱体与副产物进入腔体，减少污染并避免对电镜的损伤。同时，优化后的碳膜与SiN_x膜厚度确保了优异的电子透明度，使材料早期生长过程中的瞬态中间体得以高分辨率成像。

该工作揭示了MoS₂成核的非经典多阶段路径。原位TEM观察表明，气相物种首先凝结为非晶态MoO_xS_y团簇，随后演化为二维无序晶胚。当其达到约2纳米的临界尺寸时，迅速转变为稳定的H相MoS₂晶核。这一过程不仅验证了长期存在的理论假设，更通过多种表征与分子动力学模拟，确立了其物理本质。

进一步地，研究团队在原子尺度确立了晶核在早期生长演化中的两种不同的物理图像，即聚集模式和定向附着模式。在聚集模式中，相邻的晶核先经聚集，再经原子重排，形成具有单一取向的大晶畴。在定向附着模式中，较大的相邻团簇通过持续旋转实现晶格对齐，最终无须原子重构即可合并为单晶。这揭示了弱范德华相互作用在晶畴取向与晶界形成中的关键作用。

这项针对二维材料早期生长过程的原位表征工作不仅打破了理论与实验之间的壁垒，更为二维半导体的可控合成奠定了坚实基础。通过直接观测成核阶段的非晶—晶体转变与多样化生长路径，研究者们为调控晶核密度与晶畴取向提供了可操作的科学依据。这标志着二维材料研究从“推测建模”迈向“实时验证”的重要转折。

图1.（a）基于带MEMS加热芯片的加热支架的原位CVD微反应腔示意图。（b）高分辨率透射电镜（TEM）序列图像，捕捉MoS₂成核过程。（c）从原位高分辨TEM观测中提取的三个团簇在形核和生长阶段的尺寸演化。（d）不同阶段结构的相对结晶度与反应时间依赖性，揭示了初始形核与生长行为。

文章信息：

In-situ TEM unveils the secrets of two-dimensional material nucleation

Lei Liu, Xiaotian Zhang, Taotao Li, Xinran Wang

J. Semicond. 2026, 47(7): 070401 doi: 10.1088/1674-4926/26030003

Full Text

6 软硬件协同设计加速材料模拟

基于密度泛函理论（DFT）及其第一性原理分子动力学（AIMD）的原子尺度与电子结构计算，是现代计算化学和材料科学的重要基础，能够为化学键合、电荷输运、相稳定性和反应路径等关键问题提供定量认识。然而，这种量子力学精度通常伴随着高昂的计算代价。随着体系尺寸和模拟时间尺度增加，DFT和AIMD的计算复杂度迅速上升。同时，传统数字硬件中存储与计算分离所导致的数据搬运瓶颈，也进一步限制了大规模、长时间材料模拟的效率和能耗表现。

西安交通大学材料科学与工程学院王晓哲助理教授、张伟教授与马恩教授在最新出版的《半导体学报（英文）》2026年第7期上发表News and views文章“Software-hardware co-design accelerates materials simulations”，简短评论了香港大学徐萌博士等人在《自然–计算科学》（2025年，5卷，1178–1191页）发表的工作。该研究提出了一种软件与硬件协同设计架构，将储备池式图神经网络（RGNN）与基于阻变存储器的混合模拟与数字计算系统相结合，实现了高效、低能耗且接近DFT精度的材料模拟。

该工作的核心在于将原子或电子构型表示为图结构，并利用RGNN直接预测原子间作用力、哈密顿量矩阵元和多体波函数等关键物理量，从而避免传统第一性原理计算中反复进行高成本自洽迭代。与全训练图神经网络不同，RGNN中大部分消息传递层采用随机固定权重，仅训练轻量化读出模块，大幅降低了训练成本。与此同时，阻变存储器件中原本被视为缺陷的器件间电导差异，被巧妙地用作储备池网络的随机权重来源，使器件非理想性转化为可利用的计算资源。

为验证该软件与硬件结合框架的普适性，作者将其应用于原子间作用力、哈密顿量预测和基态多体波函数求解的三个代表性任务中，展现出与传统第一性原理计算相当的精度，且可将每一步分子动力学计算复杂度降低近四个数量级。在算法层面，RGNN通过固定随机权重的储备池结构，将训练成本相比传统图神经网络降低约90%；硬件层面，利用阻变存内计算单元通过高并行矩阵运算减少数据搬运，相比GPU架构最高实现约4倍推理能效提升。这一研究通过将图神经网络、储备池计算和存内计算有机结合，为突破传统数字计算系统的能耗与规模限制提供了新路径，也为大规模、低能耗、近量子精度材料模拟与设计开辟了新的发展方向。

图1. 软件与硬件协同设计架构及性能指标：（a）用于预测材料性质的RGNN架构示意图；（b）用于加速RGNN推理的基于阻变存储器的混合模拟与数字计算系统；（c）AIMD与所提出的软件与硬件协同设计每步MD的估算计算复杂度；（d）RGNN与全训练GNN的训练成本分解对比；（e）不同硬件平台的推理能耗分解。

文章信息：

Software−hardware co-design accelerates materials simulations

Full Text

支持单位：