材料結構是決定材料性能的重要因素，明析材料微觀(guān)結構是認識材料特性、建立構效關(guān)系、理性設計材料并支撐實(shí)驗改性的重要基礎。近年來(lái)隨著(zhù)材料基因組研究模式的發(fā)展，通過(guò)理論方法預測材料結構已經(jīng)成為探索新材料結構與性能的方法之一。目前，這些方法已經(jīng)成功應用于完美晶體和二維材料等體系的結構預測，并取得了重要的進(jìn)展。然而對于化學(xué)無(wú)序材料（chemical-disordered materials）微觀(guān)結構的認識仍然面臨挑戰。
化學(xué)無(wú)序材料是一類(lèi)晶格是周期性（有序）的但元素種類(lèi)和原子空間占據是非周期性（無(wú)序）的材料，廣泛存在于半導體、高溫超導、金屬合金、陶瓷和催化劑等材料體系中。從化學(xué)組成上看，化學(xué)無(wú)序材料可分為陰離子無(wú)序、陽(yáng)離子無(wú)序和缺陷無(wú)序等類(lèi)型，可以簡(jiǎn)單看作是陰離子、陽(yáng)離子和空位等占據了非周期位點(diǎn)。從結構類(lèi)型上看，化學(xué)無(wú)序材料包含了分數占據、摻雜取代、間隙填充、空位缺陷等不同類(lèi)型的體系。
由于部分晶格位點(diǎn)的原子占據不確定性，材料微觀(guān)結構（構型）數隨著(zhù)位點(diǎn)數、元素種類(lèi)、原子個(gè)數、體系尺寸等的增加呈指數級增加。化學(xué)無(wú)序材料微觀(guān)結構的快速采樣問(wèn)題一直尚未解決，雖然之前已有利用先驗知識、晶體對稱(chēng)性、集團展開(kāi)和經(jīng)驗勢函數等技術(shù)加速，但仍面臨大量且昂貴的第一性原理電子結構計算。
針對化學(xué)無(wú)序材料微觀(guān)結構高效獲取問(wèn)題，中科院山西煤化所908課題組溫曉東團隊，聯(lián)合中科合成油技術(shù)股份有限公司和中科院力學(xué)所共同開(kāi)發(fā)了基于高通量計算、機器學(xué)習和主動(dòng)學(xué)習的高效結構預測方法——LAsou（辣搜），它是Large space sampling and Active labeling for searching（大空間采樣和主動(dòng)標注搜索算法）的簡(jiǎn)稱(chēng)。
基于主動(dòng)學(xué)習的辣搜（LAsou）方法進(jìn)行材料結構預測的流程圖
利用LAsou方法對三種典型的有限尺寸體系進(jìn)行了測試，包括陰離子無(wú)序BaSc(OxF1？x)3 (x=0.67)材料、陽(yáng)離子無(wú)序Ca1？xMnxCO3 (x=0.25)材料和缺陷無(wú)序ε-FeCx (x=0.5)。與傳統枚舉法相比，“辣搜”（LAsou）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(xué)穩定的結構。
傳統枚舉法和辣搜（LAsou）法在BaSc(OxF1？x)3 (x=0.667)體系預測的表現。（a）2664個(gè)枚舉結構和最穩定結構的總能量散點(diǎn)圖。（藍色圓圈代表每個(gè)結構的能量，紅色虛線(xiàn)圓圈代表能量最低的結構。）（b） 辣搜（LAsou）方法搜索過(guò)程中總能量隨搜索代數的演化。（紅色三角代表歷史上搜索的最低能量結構。）
傳統枚舉法和辣搜（LAsou）法在Ca1？xMnxCO3 (x=0.25)體系預測的表現。（a）1033個(gè)枚舉結構和最穩定結構的總能量散點(diǎn)圖。（b）辣搜（LAsou）方法搜索過(guò)程中總能量隨搜索代數的演化。
傳統枚舉法和辣搜（LAsou）法在ε-FeCx (x=0.5)體系預測的表現。（a）10496個(gè)枚舉結構和最穩定結構的總能量散點(diǎn)圖。（b）辣搜（LAsou）方法搜索過(guò)程中總能量隨搜索代數的演化。
對于化學(xué)無(wú)序材料體系的結構預測問(wèn)題，計算預測的復雜度隨著(zhù)體系尺寸、位點(diǎn)及元素等呈現多體體系的“指數墻”問(wèn)題（exponential wall problem），辣搜（LAsou）方法在解決此問(wèn)題上顯示出巨大的潛力。在辣搜（LAsou）方法中，機器學(xué)習用于構建勢函數模型可以對大采樣空間采樣結構進(jìn)行預測和篩選，通過(guò)主動(dòng)標記“優(yōu)勢”候選結構，從而大大減少第一性原理的計算量；同時(shí)集成學(xué)習算法可以顯著(zhù)提高勢函數模型對能量計算和結構弛豫計算的穩定性，主動(dòng)學(xué)習算法則可以在線(xiàn)地逐步標記和搜集訓練樣本并提高機器學(xué)習勢函數模型的精度，從而不需要預先準備大量的訓練數據。LAsou方法具有很強的算法穩健性（robustness），多個(gè)參數、策略、初始值的測試表明，不同體系均能保持很高的預測效率。基于這些優(yōu)點(diǎn)和特性，辣搜（LAsou）方法將在更大、更復雜、準無(wú)限尺寸材料（如納米顆粒、催化劑、高熵合金、高熵氧化物、固溶體等）體系中得到廣泛應用。
該研究成果近期以“Active learning to overcome exponential-wall problem for effective structure prediction of chemical-disordered materials”為題發(fā)表于npj Computational Materials, 2023, 9, 12。山西煤化所溫曉東研究員、中科合成油周余偉博士和中科院力學(xué)所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(xué)所特別研究助理）為第一作者。該工作得到國家杰出青年科學(xué)基金、中科院基礎研究領(lǐng)域青年團隊計劃、中科院網(wǎng)信應用示范等項目的資助與支持。
論文鏈接：https://www.nature.com/articles/s41524-023-00967-z
