材料結構是決定材料性能的重要因素，明析材料微觀結構是認識材料特性、建立構效關系、理性設計材料并支撐實驗改性的重要基礎。近年來隨著材料基因組研究模式的發(fā)展，通過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，并取得了重要進展。然而對于化學無序材料（chemical-disordered materials）微觀結構的認識仍然面臨挑戰(zhàn)。

　　化學無序材料是一類晶格是周期性（有序）的但元素種類和原子空間占據(jù)是非周期性（無序）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。從化學組成上看，化學無序材料可分為陰離子無序、陽離子無序和缺陷無序等類型，可以簡單看作是陰離子、陽離子和空位等占據(jù)了非周期位點。從結構類型上看，化學無序材料包含了分數(shù)占據(jù)、摻雜取代、間隙填充、空位缺陷等不同類型的體系。 

　　由于部分晶格位點的原子占據(jù)不確定性，材料微觀結構（構型）數(shù)隨著位點數(shù)、元素種類、原子個數(shù)、體系尺寸等的增加呈指數(shù)級增加?；瘜W無序材料微觀結構的快速采樣問題一直尚未解決，雖然之前已有利用先驗知識、晶體對稱性、集團展開和經(jīng)驗勢函數(shù)等技術加速，但仍面臨大量且昂貴的第一性原理電子結構計算。 

　　針對化學無序材料微觀結構高效獲取問題，中國科學院山西煤炭化學研究所研究員溫曉東團隊，聯(lián)合中科合成油技術股份有限公司和中科院力學研究所研究人員共同開發(fā)了基于高通量計算、機器學習和主動學習的高效結構預測方法——LAsou（辣搜）。利用LAsou方法，研究人員對三種典型的有限尺寸體系進行了測試，包括陰離子無序BaSc(O_xF_1-x)₃ (x=0.67)材料、陽離子無序Ca_1-xMn_xCO₃ (x=0.25)材料和缺陷無序ε-FeC_x (x=0.5)。與傳統(tǒng)枚舉法相比，LAsou方法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(wěn)定的結構。 

　　對于化學無序材料體系的結構預測問題，計算預測的復雜度隨著體系尺寸、位點及元素等呈現(xiàn)多體體系的“指數(shù)墻”問題（exponential wall problem），LAsou方法在解決此問題上顯示出巨大潛力。在LAsou方法中，機器學習用于構建勢函數(shù)模型可以對大采樣空間采樣結構進行預測和篩選，通過主動標記“優(yōu)勢”候選結構，從而大大減少第一性原理的計算量；同時集成學習算法可以顯著提高勢函數(shù)模型對能量計算和結構弛豫計算的穩(wěn)定性，主動學習算法則可以在線地逐步標記和搜集訓練樣本并提高機器學習勢函數(shù)模型的精度，從而不需要預先準備大量的訓練數(shù)據(jù)。LAsou方法具有很強的算法穩(wěn)健性（robustness），多個參數(shù)、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?；谶@些優(yōu)點和特性，LAsou方法將在更大、更復雜、準無限尺寸材料（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。

　　相關研究成果近期以Active learning to overcome exponential-wall problem for effective structure prediction of chemical-disordered materials為題發(fā)表于npj Computational Materials。研究工作得到國家杰出青年科學基金、中科院基礎研究領域青年團隊計劃、中科院網(wǎng)信應用示范等項目的資助與支持。