材料中原子的排列决定了它的性质，但原子排列的方式多种多样，有些稳定，有些则不然。材料结构预测中，确定原子排列的稳定性需要大量的计算，而且计算原子的每一种可能排列以找到最佳并不现实。为解决这一挑战，2022年7月27日，来自剑桥大学和林雪平大学的研究人员设计了一种基于机器学习的描述材料的新方法，相关研究成果发表在《科学进展》上。

传统的机器学习方法大多以原子坐标作为输入，因此在研究以前未曾识别的材料时会受到晶体结构识别的限制。该新方法利用对称性的数学原理将原子组合成材料的无限种方式缩减为有限种可能。其关键思想是使用Wyckoff表示，即晶体中与对称相关的位置的无坐标集合，作为机器学习模型的输入。然后使用机器学习根据材料中元素及其相对组成来预测原子的理想排列。

该方法仅从5675次从头算计算中识别出位于之前计算过的材料的凸壳之下的1569种材料，准确地预测了有望应用于压电和能量收集的材料的结构，其效率是当前方法的5倍多。该方法还可以以一种计算效率高的方式，找到数千种以前从未制造过的新型稳定材料。

信息来源：

https://www.science.org/doi/10.1126/sciadv.abn4117

https://phys.org/news/2022-07-ai-tackles-materials.html