搜索效率提升4倍，南大提出基于对称性原理的晶体结构预测方法

文章预览

将  ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | ScienceAI 晶体结构预测（Crystal Structure Prediction, CSP）是一个不断发展的领域，旨在通过最少的先验信息来识别晶体结构。尽管各种 CSP 算法已经取得了一定的成功，但其实际应用仍然受到限制，尤其是在处理大型复杂系统时。 提高 CSP 效率的方法多种多样。近年来，一个主流方向是通过用机器学习势（Machine Learning Potentials, MLPs）替代计算成本高昂的从头计算，从而加速「适应性」计算，进而降低 CSP 的总体计算成本。 然而，仅靠 MLPs 的准确性并不能保证 CSP 的成功，还需要有效的采样方法，以增加相对合理的试验结构的比例。受全局优化算法的启发，许多实现方法在搜索势能面（Potential Energy Surface, PES）的全局最小值方面显示出有效性。 值得注意的是，结合晶体对称性已被证明是 ………………………………