化学无序材料原子模型：古典方法与AI辅助方法的桥接

化学无序源于晶格位点由多个元素混合占据，广泛存在于合金、陶瓷和组成复杂材料中，其中短程和长程序关系可显著影响材料性质。一个中心性障碍是实验与模拟之间的表示鸿沟：实验通常报告为部分占据和ensemble平均行为，而原子模型和AI工作流程通常需要完全指定的配置。解决这一问题需要在成本、偏差和保真度之间进行权衡，将平均化的无序描述转换为具有代表性的配置ensemble的计算方法。这个挑战在AI驱动的计算发现中变得更为迫切，因为忽略无序可能导致AI工作流程误排不稳定性、误判新颖性，并引导实验采用过于理想化的表示。本综述概述了如何通过古典方法和AI驱动的方法桥接这一表示鸿沟。我们评估了从均值场理论、聚类扩张、准随机近似、蒙特卡罗模拟到由通用原子势能和生成模型驱动的新兴方法的优势和局限性。我们进一步指出，AI如何通过降低微状态评估、配置探索和原子-热力学闭合成本，加速古典计算方案。我们也强调，AI如何实现无序本土化能力，包括工作流程分流、排序敏感和alchemical表示、无序结构和分布的生成模型，以及动力学感知的无序预测。总的来说，本框架勾勒了一条通往无序本土化AI的实用道路，旨在将化学无序从表示障碍转化为可控制的变量，从而实现真实的AI加速材料发现。