近日，郑州大学单崇新教授领导的实验团队成功合成出毫米级纯相块体六方金刚石样品，精确解析了其晶体结构，提出了石墨层间键合抑制滑移的转化机制假设。我校孙建教授领导的理论团队与郑州大学实验团队密切配合，用机器学习驱动的分子动力学模拟方法证实并揭示了该微观相变机制。相关合作成果以“Bulk hexagonal diamond”为题，于3月4日在线发表于国际学术期刊《自然》。

六方金刚石：一个长期未解的结构之谜

金刚石由于其优异的性质使其成为重要的战略材料。除常见的立方金刚石外，早在上世纪六十年代，人们在陨石样品中观测到一种六方堆垛的sp³碳结构，即六方金刚石（lonsdaleite，朗斯代尔石）。然而，此后数十年的研究始终未能在宏观尺度上获得明确的纯相样品。已有实验样品多为纳米尺度或多相混合物，其衍射特征往往与含层错的立方金刚石高度相似。近年来，随着极端条件实验技术的发展，六方金刚石的块体合成逐渐取得进展。2025年初，吉林大学刘冰冰教授团队报道了六方金刚石块材的实验制备；同年，北京高压科学研究中心毛河光院士团队利用高纯度天然单晶石墨，在高温高压条件下也成功获得了六方金刚石样品。这些研究为六方金刚石的实验可获得性提供了重要证据。然而，关于六方金刚石的形成机制以及其原子尺度晶体结构特征，仍缺乏系统而清晰的认识。

毫米级纯相样品实现突破

针对上述问题，实验团队通过在高温高压条件下对高定向热解石墨实施定向单轴压缩，在约20 GPa、1300–1900 ℃的温压条件下，成功制备出毫米级纯相六方金刚石块体，并借助同步辐射X射线衍射、球差校正透射电子显微镜等多种先进表征手段，系统确认样品为六方 P6₃/mmc 晶体结构，并排除了层错立方金刚石及多相混合结构模型的可能性，在宏观尺度上验证了六方金刚石作为独立稳定相的存在。

机器学习揭示石墨—六方金刚石转变机制

围绕石墨—金刚石相变，南京大学孙建团队构建了高精度第一性原理数据集，并在此基础上训练了神经演化势函数（NEP）模型。应用孙建教授课题组与渤海大学樊哲勇等人合作开发的GPU加速分子动力学模拟引擎（GPUMD），开展了数十万原子的近第一性原理精度分子动力学模拟，系统解析了上述相变的原子尺度路径。

模拟结果表明，高度取向热解石墨中存在的层间键连缺陷在相变过程中发挥了关键作用：一方面，这些缺陷作为优先成核位点显著降低了相变势垒；另一方面，层间键连有效抑制了石墨层间滑移，锁定了特定堆垛顺序，从而稳定了向六方金刚石转变的路径。

该机制不仅解释了实验中热解石墨到六方金刚石形成机制，也为理解极端条件下碳结构演化提供了新的微观图景，为后续实验优化与工业制备策略提供了理论依据。

值得一提的是，近年来，孙建教授课题组围绕AI for Science, 发展了一系列机器学习驱动的计算模拟方法【National Science Review 10, nwad128, (2023); Nature Computational Science 5, 255 (2025); Nature Communications 15, 7607 (2024); Nature Communications 15, 10208 (2024)】，并用其探索极端条件下的物质模拟和材料设计中的难题，提升计算模拟的效率并拓展我们对未知世界的认识边界。取得了一系列重要研究成果，如发现了多种出人意料的行星内部物质及其新物态【Nature Physics 15, 1065 (2019); Phys. Rev. Lett. 128, 035702 (2022); Nature Communications 14, 1165 (2023)】，揭示冲击压缩和二维熔化等过程中的相变新机制【Phys. Rev. Lett. 131, 146101 (2023); PNAS 122, e2502980122 (2025)】等等，而本工作也是应用AI4S方法帮助解析相变机制的典型代表。

性能表现优异，应用前景广阔

实验团队进一步对六方金刚石的力学性能与热稳定性进行了系统测试。结果显示，其维氏硬度，弹性模量与抗氧化稳定性均表现出优异性能，在部分取向上甚至略高于传统立方金刚石。理论团队的计算也佐证了上述结果。这一成果为新型超硬材料设计以及极端环境功能器件开发提供了新的候选材料体系。

论文信息

该研究由郑州大学单崇新团队与南京大学孙建团队合作完成。郑州大学博士生来守龙、杨西贵教授与南京大学施九洋博士（现剑桥大学博士后）为论文共同第一作者, 南京大学博士生贾秋涵为论文的共同作者。郑州大学杨西贵教授、南京大学孙建教授、郑州大学程少博教授和单崇新教授为论文通讯作者。

该项研究得到了国家自然科学基金优秀青年基金项目、面上项目、重大仪器研制项目、杰出青年基金项目和重大项目、河南省杰出青年科学基金以及河南省科技创新领军人才支持计划等项目的资助。相关计算工作主要在南京大学人工微结构科学与技术协同创新中心高性能计算中心、南京大学高性能计算中心等超级计算机上进行。在南京大学开展的工作还得到了南京大学固体微结构物理全国重点实验室、人工微结构科学与技术协同创新中心、江苏省物理科学研究中心、以及南京大学AIQ和AI for Science项目的大力支持。

论文链接：

Shoulong Lai, Xigui Yang*, Jiuyang Shi, Shijie Liu, Ying Guo, Longbin Yan, Jinhao Zang, Zhuangfei Zhang, Qiuhan Jia, Jian Sun*, Shaobo Cheng* & Chongxin Shan*, Bulk hexagonal diamond, Nature (2026).

https://www.nature.com/articles/s41586-026-10212-4

孙建课题组简介：

南京大学孙建教授课题组（https://sun.nju.edu.cn/）长期从事计算凝聚态物理与高压物理研究，致力于发展机器学习驱动的材料模拟方法，并将其应用于极端条件下物质模拟与材料设计。团队自主或合作开发了多种先进计算方法和软件，包括机器学习与图论辅助的晶体结构预测方法 MAGUS（https://gitlab.com/bigd4/magus），GPU加速机器学习分子动力学引擎 GPUMD （https://gpumd.org/），高阶张量消息传递机器学习力场 HotPP （https://gitlab.com/bigd4/hotpp），高效高精度机器学习哈密顿方法GPUTB（https://github.com/woyolo990422/GPUTB）和HotHam（https://github.com/liangzhixin-202169/Hot-Ham）等。依托这些方法，团队在高压结构相变、新材料预测以及行星深部物质等方向取得了一系列重要成果。