確定材料的微結構是認識和改性材料的前提?；瘜W無序材料指晶格有序但元素成分無序的一類材料。從化學成分的角度來看，化學無序材料可分為陰離子、陽離子和缺陷對應體，可以簡單地認為是陰離子、陽離子和缺陷占據了非周期位點?；瘜W無序材料由于其獨特的性質在半導體、高溫超導體、金屬合金、陶瓷和沸石催化劑等領域被廣泛應用。研究無序材料的結構對于理解無序材料性質和指導實驗具有非常重要的價值。因為部分晶格位點的原子占據不確定性，化學無序材料的確切結構一直尚未解決?；瘜W無序材料的結構預測是極具挑戰的，其隨著體系尺寸增加變得愈加復雜。前期研究利用晶體對稱性除重、集團展開和機器學習勢等技術加速化學無序材料的結構預測，但仍面臨大量的昂貴的第一性原理計算。

中科院力學所非線性力學國家重點實驗室微結構計算力學研究組和中科院山西煤化所/中科合成油聯合團隊發展了“辣搜”（LAsou）方法來高效預測化學無序材料的電子結構。三種不同的、典型的有限尺寸體系測試表明（陰離子無序的BaSc(O_xF_1-x)₃、陽離子無序的Ca_1-xMn_xCO₃和缺陷無序的ε-FeC_x）與傳統枚舉法相比，“辣搜”方法在僅需要非常少的第一性原理計算就可以快速找到熱力學穩定的結構?！袄彼选狈椒ㄊ且环N簡單而高效的方法，結合第一性原理計算和主動學習算法來搜索化學無序材料的熱力學穩定結構?！袄彼选狈椒ㄔ诮鉀Q多體體系的“指數墻”（由于計算復雜度隨自由度指數上升而形成的壁壘）問題方面顯示出巨大的潛力。在“辣搜”方法中，機器學習勢可以通過大采樣空間的預測和篩選大大減少第一性原理的計算量，集成學習算法可以顯著提高能量和弛豫預測的穩定性，主動學習算法可以在線逐步提高機器學習勢的精度，從而不需要預先準備大量的訓練數據?；谶@些優點和特點，基于主動學習的“辣搜”方法將有助于更大、更復雜、準無限尺寸系統的廣泛應用，以及出現在納米顆粒、催化劑、固溶體、高熵合金和高熵氧化物等中的新材料。

該研究成果以“Active learning to overcome exponential-wall problem for effective structure prediction of chemical-disordered materials”為題發表于npj Computational Materials 9, 12 (2023)。中科院山西煤化所/中科合成油的溫曉東研究員、周余偉博士和中科院力學所的彭慶研究員為共同通訊作者，袁曉澤博士（山西煤化所博士、力學所特別研究助理）為第一作者。此工作得到國家重點研發項目和力學所力英計劃等項目的資助。

論文鏈接：https://doi.org/10.1038/s41524-023-00967-z