偏径向分布函数

在广阔的材料领域中，那些拥挤但非完美有序的物质状态——液体和玻璃——带来了一个独特的挑战。它们的结构不像晶体那样具有可预测的点阵，也不像气体那样稀疏随机，而是一种复杂、动态的粒子之舞。我们如何才能定量地描述和理解这种“美丽的混乱”？关键在于一个强大的统计工具，它就像我们深入原子世界的显微镜：​​偏径向分布函数 (pRDF)​​。本文将探讨 pRDF 作为描述无序体系结构的基本语言，旨在弥合对局域原子环境的定性直觉与定量分析之间的鸿沟。在接下来的章节中，您将全面了解这一基本概念。第一部分“​​原理与机制​​”将剖析 pRDF 是什么，如何解读其特征以揭示化学有序或团簇现象，以及它如何源于原子间的基本作用力。随后，“​​应用与跨学科联系​​”部分将展示如何利用这张结构图谱来计算热力学性质、预测材料行为，甚至作为通过计算机模拟设计新材料的蓝图。

想象一下，你可以把自己缩小到原子大小，坐在一个原子上，观察周围的世界。你会看到什么？在气体中，其他原子稀疏且遥远，随机地飞驰而过。在完美的晶体中，你会看到你的近邻们排列在一个惊人完美、不断重复的点阵上，向各个方向无限延伸。但介于两者之间的迷人世界——液体和玻璃——又是什么样的呢？在这里，物质拥挤但并非完美有序。这是一场繁华、动态而又错综复杂的粒子之舞。我们如何才能理解这美丽的混乱？

​​偏径向分布函数​​，或称 ​​pRDF​​，就是我们观察这个世界的数学显微镜。它是一个强大的工具，让我们能够对这场原子之舞进行统计快照，为任何给定类型原子周围的平均局域环境提供一张地图。正如我们将要看到的，这张地图不仅仅是一堆数字；它蕴含着丰富的信息，向我们讲述着吸引、排斥、有序和无序的故事。

让我们暂时保持微缩状态。假设我们身处一种由 A 和 B 两种原子组成的液体中。我们决定坐在一个 A 原子上，环顾四周。我们拿出一个特殊的雷达，它只能看到 B 原子。当我们向所有方向扫描这个雷达时，我们计算在距离我们 $r$ 的一个薄球壳内找到了多少个 B 原子。我们一遍又一遍地重复这个过程，对许多不同的 A 原子和不同的时间进行平均，以消除瞬时涨落。

pRDF，记作 $g_{AB}(r)$，本质上就是这次测量的结果，但经过了关键的归一化。它是在距离 $r$ 处发现的 B 原子密度除以整个液体中 B 原子的平均密度。本质上，它回答了这样一个问题：“在一个 A 原子距离 $r$ 的地方，找到一个 B 原子的可能性比纯粹随机的概率要大还是小？”

其诠释非常简单：

• 如果 $g_{AB}(r) = 1$，意味着在此距离找到 B 原子的可能性与在液体中随机选取一个位置的概率完全相同。中心 A 原子的存在在此距离上没有影响。
• 如果 $g_{AB}(r) > 1$，意味着在此处找到 B 原子的可能性更大。这表明存在某种形式的吸引或结构有序，将 B 原子拉到 A 原子周围形成一个“壳层”。
• 如果 $g_{AB}(r) < 1$，意味着可能性更小。这表明存在排斥作用，或者其他原子在该特定距离排挤了 B 原子。
• 如果 $g_{AB}(r) = 0$，意味着不可能在那里找到 B 原子。这通常发生在非常小的 $r$ 处，因为两个原子不能占据同一个空间——它们的硬核排斥作用禁止了这种情况。

当我们将 $g(r)$ 对距离 $r$ 作图时，会看到一个特征性的模式。一系列峰出现，对应于第一、第二和第三“配位壳层”——即最近邻、次近邻，依此类推。当我们看得越来越远（$r \to \infty$），中心原子的影响完全消失，相关性也随之消失。在这些大距离上，B 原子的局域密度趋近于平均体密度，因此 $g_{AB}(r)$ 必须趋近于 1。这是任何无序、均匀体系的普遍特征。

拥有了我们二元 A-B 混合物的一整套地图——$g_{AA}(r)$、$g_{BB}(r)$ 和 $g_{AB}(r)$——我们就可以化身为结构侦探，推断出原子的“社交偏好”。

想象一种 A-B 合金，其中原子在能量上强烈倾向于被不同类型的原子包围。这被称为​​化学短程有序​​。我们的地图会显示什么？如果我们坐在一个 A 原子上，我们会期望被一群 B 原子包围。因此，$g_{AB}(r)$ 地图中的第一个峰会又尖又高，表示找到 B 原子作为最近邻的概率很高。相反，在附近找到另一个 A 原子会很罕见，所以 $g_{AA}(r)$ 中的第一个峰会被抑制，出于对称性，$g_{BB}(r)$ 也是如此。 这种局域结构是材料中化合物形成趋势的微观指纹。

现在，考虑相反的情况：​​团簇​​。在这种情况下，原子倾向于与同类原子待在一起。A 原子与其他 A 原子形成“小集团”，B 原子也一样。这种行为是相分离的核心。如果我们测量这种材料的 pRDF，情况就会反过来。在一个中心 A 原子周围，最近邻壳层将富含其他 A 原子，导致 $g_{AA}(r)$ 中出现一个高峰。与 B 原子的相遇则不受欢迎，因此 $g_{AB}(r)$ 的第一个峰会很小。通过比较同类对（$g_{AA}$）和异类对（$g_{AB}$）峰的相对高度，我们可以直接区分一种想要形成有序化合物的材料和一种想要分离成富 A 区和富 B 区的材料。

为了使这种比较定量化，我们需要一个基准。一个没有化学偏好的结构是什么样的？在这样的​​随机混合物​​中，一个近邻的身份完全由化学计量比决定。如果混合物是 50% 的 A 和 50% 的 B，那么一个中心原子的近邻平均也应该是 50% 的 A 和 50% 的 B。通过将测量的配位数——通过对 pRDF 第一个峰下的面积进行积分得到的每种类型的近邻数——与随机混合物预期的值进行比较，我们可以精确地量化有序或团簇的程度。

我们可以用一个优雅的思想实验来巩固这一直觉。想象一个假设的混合物，其中 A 和 B 粒子在物理上完全相同——相同的尺寸、相同的质量，以及至关重要的一点，所有对之间的相互作用力都相同（$U_{AA} = U_{BB} = U_{AB}$）。唯一的区别是一个名义上的“标签”。pRDF 必须是什么样的？从任何单个粒子的角度来看，它从其近邻感受到的力都与它们的标签无关。它在自身周围创造的结构环境不可能依赖于它自己的标签，也不可能区分其近邻的标签。物理学对这些标签是“盲目”的。因此，所有三个偏径向分布函数必须完全相同：$g_{AA}(r) = g_{BB}(r) = g_{AB}(r)$。 这个极限情况证实了 pRDF 之间的任何差异都是底层原子间作用力差异的直接结果。

这就把我们带到了最深层的问题：这些结构为什么会形成？pRDF 并非任意的；它是粒子间基本作用力的直接结果，这些作用力由它们的对势能 $U_{ij}(r)$ 描述。

让我们考虑最简单的情况：一种非常非常稀薄的气体。粒子们相距甚远，以至于三个粒子同时足够接近以相互作用的机会可以忽略不计。唯一重要的是任何两个碰巧相互靠近的粒子之间的直接相互作用。在这种低密度极限下，势能和结构之间存在一个极其简单的关系，由玻尔兹曼分布给出。找到两个相距为 $r$ 的粒子的概率与 $\exp(-U_{ij}(r)/k_B T)$ 成正比。这意味着 pRDF 就是：

其中 $k_B$ 是玻尔兹曼常数，$T$ 是温度。 在势能 $U_{ij}(r)$ 低的地方（吸引势阱），概率就高，$g_{ij}(r)$ 就会出现一个峰。在能量非常高的地方（排斥核心），概率接近于零，$g_{ij}(r)$ 也就消失了。

在稠密的液体中，情况更为复杂。两个粒子之间的力不仅仅是它们的直接相互作用；它还受到周围所有近邻的推挤和定位的影响。我们可以把这看作一种“有效”势，我们称之为​​平均力势​​，$W_{ij}(r)$。这个 $W_{ij}(r)$ 代表了当两个粒子 $i$ 和 $j$ 从无限远被带到距离 $r$ 时，体系自由能的变化。它包括直接的 $U_{ij}(r)$ 势，加上所有其他周围粒子的平均或“平均”效应。奇妙的是，来自统计力学的这个优雅关系仍然成立：

因此，pRDF 是一个直接观察稠密体系中粒子相互作用自由能景观的窗口。$g(r)$ 中的峰对应于平均力势中的谷——即粒子对的稳定、低能构型。

pRDF 的威力不仅限于液体，还延伸到了​​非晶固体​​或玻璃的领域。这些材料呈固态，但缺乏晶体的周期性点阵。它们本质上是时间凝固的液体。pRDF 是我们用来描述它们结构的主要语言。

在这种背景下，我们可以区分两种基本类型的无序：

• ​​拓扑无序​​：这是非晶体网络固有的几何“混乱”。在完美的晶体中，所有的键长和键角都是固定的。在玻璃中，这些值围绕一个平均值分布。一个本应是 2.5 Å 的键在这里可能是 2.4 Å，在那里是 2.6 Å。键长和键角的这种分布导致了 pRDF 中的峰是宽化的，而不是无限尖锐的 delta 函数。拓扑无序越多，峰就越宽。这是非晶态本身的基本特征。

• ​​化学无序​​：这是指相对于材料首选的化学键合，出现了“错误”类型的近邻。想象一下像二氧化硅（$\text{SiO}_2$）这样的玻璃，它非常倾向于形成 Si-O-Si 连接。一个完美化学有序的状态将没有 Si-Si 或 O-O 键。如果我们发现了这种“同极键”，我们就有了化学无序。这在 pRDF 中会如何体现？它不一定会使峰变宽，但会改变它们的相对重要性。$g_{SiSi}(r)$ 中第一个峰的出现或增长将是化学无序的直接标志，表明一些 Si 原子将其他 Si 原子作为最近邻。这必然以牺牲 Si-O 键为代价，因此 $g_{SiO}(r)$ 峰下的配位数会减少。

通过仔细分析各种 pRDF 中峰的宽度（拓扑）和面积（化学），材料科学家可以为这些复杂材料的结构建立一幅非常详细的图景，这对于设计从更强的金属玻璃到更透明的光纤等各种材料至关重要。

在我们之前的讨论中，我们已经熟悉了偏径向分布函数 $g_{\alpha\beta}(r)$，它是一种精确描述液体和其他无序体系结构的数学工具。我们看到了它的峰谷如何描绘出原子景观的详细图景，揭示了粒子相对于彼此可能存在的位置。但是，知道一个城市的地图是一回事；利用这张地图导航，理解其交通流、社会动态和经济状况则完全是另一回事。现在，我们将踏上一段旅程，看看这个非凡的函数究竟有何用处。我们将发现，pRDF 远不止一张静态的快照；它是一把动态的钥匙，能解锁对材料性质和行为的深刻理解，将原子的微观世界与我们体验的宏观世界连接起来。

pRDF 最直接和直观的应用就是对粒子的局域环境进行一次“普查”。如果你将自己想象成液体中的一个原子，pRDF 会告诉你，在任何给定距离，你期望找到某种类型近邻的平均数量。通过对 pRDF 的第一个主峰——我们称之为第一配位壳层或溶剂化壳层——的范围进行积分，我们可以计算出​​配位数​​。这告诉我们，平均而言，一个粒子有多少个最近邻。

对于简单液体，这可能只是一个数字。但在混合物中，比如说由 A 和 B 原子组成的混合物，我们可以提出更具体的问题。一个中心 A 周围有多少个 A？有多少个 B？pRDF 允许我们通过对相应的函数——$g_{AA}(r)$ 或 $g_{AB}(r)$——在第一壳层上积分来精确回答这些问题。对于更复杂的系统，比如三元混合物，这个原理可以自然地扩展，使我们能够细致地对任何给定物种的局域环境进行分类。

这超出了单纯的计数。它使我们能够表征局域组分，而这可能与整体的体相组分截然不同。想想将盐溶解在水中。离子的体相摩尔分数可能很小，但在一个正钠离子的紧邻区域，水分子的负端或负氯离子会有强烈的偏好。利用其周围每个物种的配位数，我们可以计算出一个局域摩尔分数。这种现象，被称为优先溶剂化，是化学的基础。pRDF 为我们提供了这种效应的定量度量，解释了为什么化学反应在溶液中的速率可能与仅从体相浓度预期的不同。真正重要的是局域环境，而 pRDF 就是我们通向它的指南。

物理学的一个奇妙之处在于，看似不同的概念往往是密切相关的。如果我们知道粒子之间的作用力——势能函数 $u(r)$——并且我们知道它们的平均排列——径向分布函数 $g(r)$——我们应该能够计算出系统的总能量。

的确如此。单个粒子的平均势能是通过将其所有近邻的贡献相加得到的。pRDF 告诉我们每个距离 $r$ 处到底有多少个近邻，所以总势能就是对所有空间进行积分，其中对势能 $u_{\alpha\beta}(r)$ 按该距离处的对数进行加权，而对数由 pRDF, $g_{\alpha\beta}(r)$ 给出。

这个原理在微观结构和宏观热力学之间提供了一个强大的联系。一个很好的例子可以在熔盐的研究中找到，比如液态氯化钠。是什么将这样的液体凝聚在一起？是正负离子之间的静电吸引力。在液体中，离子会自行排列以最大化这些吸引力，这种现象称为电荷有序，即每个离子都优先被相反电荷的离子包围。这种有序性被异类离子和同类离子 pRDF 之差 $g_{+-}(r) - g_{++}(r)$ 完美地捕捉到。通过将这个结构差异对库仑势进行积分，可以直接计算出整个液体的静电内聚能。液体稳定性的秘密就写在它的结构中，等待着 pRDF 来揭示它们。

至此，您可能想知道 pRDF 是否只是一个方便的理论构想。我们怎么可能测量一个翻腾、混乱的液体中原子的精确位置呢？答案在于散射的魔力。

我们确定材料结构——无论是晶体还是无序材料——的主要方法是用粒子（通常是 X 射线光子或中子）轰击它们，并观察它们从原子上散射后形成的图案。这类似于向池塘里扔一把石子，然后从水面上的涟漪图案推断出信息。

在散射的世界里，自然的语言不是实空间距离 $r$，而是与散射角相关的波矢 $k$。实验测量的是​​偏结构因子​​，$S_{\alpha\beta}(k)$。事实证明，结构因子和总关联函数 $h_{\alpha\beta}(r) = g_{\alpha\beta}(r) - 1$ 是一个傅里叶变换对。一个可以从另一个计算出来。所以，实验人员在“k空间”测量 $S_{\alpha\beta}(k)$，然后进行数学变换，得到我们在“实空间”中觉得如此直观的 $g_{\alpha\beta}(r)$。

对于具有多种组分的混合物，单个实验是不够的，因为散射信号是所有偏结构因子（$S_{AA}$，$S_{BB}$，$S_{AB}$ 等）的加权和。这里的巧妙技巧是​​衬度变化法​​。通过进行几次不同的实验，其中每个原子种类的“可见性”被改变，可以建立一个线性方程组，并解出每个单独的偏结构因子。这可以通过结合 X 射线和中子散射（它们以不同方式“看到”原子）来实现，或者在中子的情况下，通过同位素替换（例如，用氘替换氢），这会改变原子的散射特性而不改变其化学性质。通过这种方式，我们可以实验性地窃听原子间的关联，并解开复杂混合物的完整 pRDF 集合。

拥有了一个我们既能从理论上理解又能从实验上测量的工具后，我们就可以开始用它来进行诊断。pRDF 是物质状态的精致指纹。

让我们考虑水的情况。在其熟悉的晶体形式，冰 Ih 中，每个氧原子都被锁定在一个周期性点阵中，与其远近邻居的距离是精确且重复的。由此产生的氧-氧 pRDF, $g_{OO}(r)$，完美地反映了这一点：它显示出一系列尖锐、明确的峰，并持续到非常大的距离，这是长程有序的清晰标志。

现在，将其与无定形固态水 (ASW) 进行比较，这是一种通过在极低温度下冷凝水蒸气制成的玻璃态水。它缺乏晶体的周期性结构。它的 $g_{OO}(r)$ 讲述了一个不同的故事。第一个峰，对应于最近邻氢键距离，仍然存在，但比冰中的峰明显更宽，反映了结构无序。在第二个峰之后，特征几乎完全被冲刷掉了，函数衰减到其基线值 1。长程有序消失了，pRDF 忠实地报告了这一事实。

更重要的是，pRDF 可以区分不同类型的结构。水分子内部的氧-氢共价键非常强且刚硬。如果我们观察 $g_{OH}(r)$ 的第一个峰，它对应于这个键，我们会发现它非常尖锐，并且对于冰和 ASW 来说，位置都相同。分子本身没有改变；只是它们相互之间的排列方式不同。pRDF 足够敏感，可以做出这种分子内和分子间结构之间的关键区分。

pRDF 的威力超越了静态性质，延伸到溶液行为的动态过程，比如为什么有些液体会混合，而另一些，像油和水，则不会。​​Kirkwood-Buff 理论​​在 pRDF 的积分与混合热力学之间建立了一个惊人优雅的联系。

该理论研究了粒子周围的“关联体积”，即总关联函数 $g_{\alpha\beta}(r)-1$ 的积分。这个量，即 Kirkwood-Buff 积分 $G_{\alpha\beta}$，代表了在一个 $\alpha$ 型粒子附近，$\beta$ 型粒子的净过剩或亏缺量（与随机分布相比）。通过将这些积分组合成一个“热力学因子” $\mathcal{M} = G_{AA} + G_{BB} - 2G_{AB}$，我们可以预测混合物的趋势。如果粒子对同类有强烈的偏好（大的 $G_{AA}$ 和 $G_{BB}$），$\mathcal{M}$ 为正，表明有分层的趋势。如果它们倾向于与其他物种结合（大的 $G_{AB}$），$\mathcal{M}$ 为负，表明混合是有利的。混溶性的秘密就编码在每个粒子周围的关联光环积分中。

这个思想在​​Bhatia-Thornton 形式论​​中得到了进一步的完善，它将散射数据重铸为总数密度和浓度相关性。当混合物接近相分离边界时，其局域浓度会产生大尺度的涨落。这些涨落直接表现为浓度-浓度结构因子 $S_{CC}(k)$ 在小 $k$（长波长）处出现一个尖锐、上升的峰。这种宏观不稳定性是 pRDF 中编码的潜在偏好的直接结果。

也许 pRDF 最具未来感和最强大的应用不在于分析现有材料，而在于帮助我们设计新材料。这就是计算建模和“逆问题”的世界。

假设我们想要创建一个复杂流体（如聚合物溶液或生物膜）的计算机模拟。为此，我们需要知道粗粒化组分之间的有效力，或对势 $u(r)$。但这些通常是未知的。这就是 pRDF 成为蓝图的地方。我们可以从使用散射实验测量真实系统的 pRDF 开始。这个实验得到的 $g(r)$ 成为我们的目标结构。

然后，利用液体态理论的工具，如 Ornstein-Zernike 方程结合像超网链 (HNC) 近似这样的近似方法，我们可以反向工作。这些方程在对势 $u(r)$ 和关联函数 $g(r)$ 之间提供了一个联系。通过从我们的实验目标 $g(r)$ 开始，我们可以“反演”方程，求解出必须产生该结构的未知势 $u(r)$。

这种被称为基于结构的粗粒化的方法，是现代计算材料科学的基石。它允许科学家直接从实验数据开发简化但物理上准确的模拟模型。它创造了一个美妙的反馈回路：实验为理论提供信息，理论反过来构建更好的模拟，这些模拟又可以预测新材料的性质，从而指导下一代的实验。

从简单的原子近邻计数到设计新材料的蓝图，偏径向分布函数已被证明是一个不可或缺的概念。它是一条统一的线索，将热力学、统计力学、化学和材料科学编织在一起，揭示了一个深刻而优雅的真理：在物质世界中，结构是通往一切的关键。