基于无坐标粗粒化快速发现稳定材料

材料科学中的一个根本挑战在于阐明化学计量、稳定性、结构与性能之间的关系。近期进展表明，机器学习可用于学习此类关系，从而准确预测材料的稳定性与功能特性。然而，大多数方法以原子坐标为输入，因此在研究新材料时受限于晶体结构识别这一瓶颈。我们的方法通过将原子坐标的无限搜索空间粗粒化为可组合枚举的搜索空间，解决了该瓶颈。其核心思想是使用 Wyckoff 表示——晶体中对称关联位置的无坐标集合——作为机器学习模型的输入。我们的模型在发现新的理论稳定材料方面展现出极高的精度，仅通过 5,675 次第一性原理计算便识别出 1,569 种位于已知已计算材料凸包之下的材料。我们的方法为计算材料发现带来了根本性进展。