自我优化的机器学习势能辅助自动工作流，用于高效复杂系统材料设计

更智能的新材料搜索

设计新材料有点像在几乎无穷的干草堆中寻找一根针。从更好的电池和更快的计算机到更高效的激光器以及潜在的室温超导体，许多未来技术都依赖于找到恰当的原子排列。本文提出了一种让人工智能自动执行大部分搜索的方法，大幅减少发现有前景新化合物所需的时间和成本。

为什么材料难题如此棘手

固体的性质——电导率、强度、对光的响应等——由其原子在三维中形成的排列（称为晶体结构）决定。理论上可以用量子力学计算哪些排列是稳定的以及它们的性质。然而在实践中，这些量子计算非常耗费资源，以至于只能检查所有可能材料中的极小一部分。当涉及超过两种化学元素时，挑战迅速扩大，因为组合和原子排列的数量呈爆炸式增长，使得盲目搜索变得不可能。

让学习模型代替量子物理运算

为了解决这一问题，作者构建了一个机器学习模型，能够以极小的成本模拟昂贵的量子计算结果。他们的模型称为注意力耦合神经网络（ACNN），学习材料能量如何依赖于原子的位置和类型。训练完成后，它可以非常快速地估算某一提议的晶体结构是否可能稳定，以及作用在每个原子上的力。关键在于，该模型被设计为遵守基本物理要求，例如整体平移或旋转晶体不应改变其总能量。

自我改进的材料发现循环

作者没有只训练模型一次然后寄希望于其通用性，而是将其置于一个自我优化循环中。该过程以一小组随机晶体结构开始，这些结构用完整的量子力学计算评估并用于训练初始的ACNN。随后该模型用于松弛数以百万计的候选结构，快速找到局部能量极小值——也就是候选的稳定或准稳定相。工作流自动标记两类特别有价值的结构：看起来非常稳定的结构和那些显得不物理或可疑的结构。只有这些被选中的案例会被送回昂贵的量子求解器，新的结果再被反馈给模型以进行再训练。经过多轮迭代，模型在最重要的结构空间区域逐步变得更精确。

方法的实测验证

团队在两个富有挑战性的体系上展示了他们的方法。第一个是镁、钙和氢的高压混合物，这类化合物在高温超导性研究中备受关注。通过探索近六百万个候选结构，他们的工作流发现了一个新的稳定相 MgCa₃H₂₃，以及若干密切相关的富氢“笼状”结构。计算表明，在极高压力下，其中一些结构在液氮沸点以上的温度下可能具备超导性。第二个测试针对一个含铍、磷、氮和氧的四元素体系，选择它是因为其有望出现能将激光光转换为深紫外波段的高效晶体。在这个案例中，该方法松弛了九百多万个结构，并鉴定出三个具有非常宽禁带且光学特性有希望的热力学稳定相。

从蛮力到有引导的发现

在这两个例子中，与单纯使用量子计算相比，自动化工作流实现了约一万倍的加速，同时仍可靠地定位出值得深入研究的结构。对非专业读者而言，关键信息是：材料发现的大部分工作现在可以由一个会自我学习的不确定区域并在必要时请求有针对性的高精度计算的学习系统来完成。这种自我校正的人工智能辅助搜索为探索比以前可行规模更复杂的元素混合开辟了道路，从而增加了发现新超导体、光学晶体和其他支撑下一代技术的功能性材料的机会。

引用: Li, J., Feng, J., Luo, J. et al. Self-optimizing machine learning potential assisted automated workflow for highly efficient complex systems material design. npj Comput Mater 12, 101 (2026). https://doi.org/10.1038/s41524-026-01971-9

关键词: 材料发现, 机器学习势能, 晶体结构预测, 超导氢化物, 非线性光学晶体