RAFFLE：主动学习加速界面结构预测
材料科学
2025-08-12 v1 无序系统与神经网络
摘要
材料之间的界面在大多数器件的性能中发挥关键作用。然而，由于配置空间庞大，需要评估不可行的大量高度复杂的结构，这使得预测材料界面结构在计算上具有挑战性。我们引入 RAFFLE，这是一个旨在高效探索任意两种晶体之间低能界面配置的软件包。RAFFLE 利用物理洞察和遗传算法对配置空间进行智能抽样，使用动态演化的 2 、3 、和 4 体分布函数作为广义结构描述子。这些描述子通过主动学习不断迭代更新，以指导原子位置策略。RAFFLE 的有效性通过多样化的系统进行验证，包括基体材料、嵌入结构以及界面。在对铝和 MoS₂进行测试时，它成功识别了已知的基态和高压相。在应用于嵌入系统时，RAFFLE 预测了稳定的嵌入相。在 Si|Ge 界面上，RAFFLE 识别了杂质混合作为应变补偿机制，生成的重构结构比突出界面更稳定。通过加速界面结构预测，RAFFLE 为材料发现提供了一个强大的工具，使我们能够高效地探索复杂的配置空间。
引用
@article{arxiv.2504.02528,
title = {RAFFLE: Active learning accelerated interface structure prediction},
author = {Ned Thaddeus Taylor and Joe Pitfield and Francis Huw Davies and Steven Paul Hepplestone},
journal= {arXiv preprint arXiv:2504.02528},
year = {2025}
}
备注
27 pages (main article), 15 pages (supplementary), 9 figures (main article), 11 figures (supplementary), for associated software, see https://github.com/ExeQuantCode/RAFFLE