复杂体系晶体结构预测：自优化机器学习势的力量

背景：复杂多组分材料的晶体结构预测面临巨大构型空间搜索和第一性原理计算成本高昂的挑战，现有机器学习原子间势存在泛化能力不足和依赖人工经验的问题。研究目的：提出一种基于注意力神经网络势（ACNN）的自优化自动化晶体结构预测工作流，旨在通过迭代采样和模型精化，减少人工干预，提升对未知结构的泛化能力和搜索效率。结论：该工作流在Mg-Ca-H三元高压氢化物和Be-P-N-O四元非线性光学晶体体系中得到验证，实现了近千万候选结构的快速筛选，速度比第一性原理计算快四个数量级，成功预测出多种稳定或亚稳态新化合物，为复杂体系材料设计提供了可复用的自动化方法基础。