“先算后选”：不怕科研卷、卷、卷！

背景：在材料设计领域，传统的第一性原理计算方法（如密度泛函理论）虽然准确，但在大规模候选材料空间中遍历筛选时，计算资源和时间成本极高。研究目的：为突破效率瓶颈，日本物质·材料研究机构的团队提出并实现了一种机器学习加速的高通量筛选工作流程，旨在快速、准确地发现兼具稳定性和理想功能性质的新材料。结论：该工作流程利用机器学习原子间势和迁移学习策略，在四元和全过渡金属Heusler化合物筛选中实现了约10,000倍的加速，并通过密度泛函理论验证了高预测精度与可靠性，为在更大化学空间中发现功能材料提供了高效、通用的工具。