中国科学院力学研究所和中科院山西煤炭化学研究所/中科合成油技术有限公司联合团队发展了“辣搜”(LAsou)方法来高效预测化学无序材料的电子结构。三种不同的、典型的有限尺寸体系测试表明【阴离子无序的BaSc(OxF1-x)3、阳离子无序的Ca1-xMnxCO3和缺陷无序的ε-FeCx】,与传统枚举法相比,“辣搜”方法仅需要非常少的第一性原理计算就可以快速找到热力学稳定的结构。“辣搜”方法是一种简单而高效的方法,结合第一性原理计算和主动学习算法来搜索化学无序材料的热力学稳定结构。“辣搜”方法在解决多体体系的“指数墙”(由于计算复杂度随自由度指数上升而形成的壁垒)问题方面显示出巨大潜力。在“辣搜”方法中,机器学习势可以通过大采样空间的预测和筛选大大减少第一性原理的计算量,集成学习算法可以显著提高能量和弛豫预测的稳定性,主动学习算法可以在线逐步提高机器学习势的精度,从而不需要预先准备大量的训练数据。结合这些优点和特点,基于主动学习的“辣搜”方法将有助于更大、更复杂、准无限尺寸系统的广泛应用,以及出现在纳米颗粒、催化剂、固溶体、高熵合金和高熵氧化物等新材料中。相关研究成果以Active learning to overcome exponential-wall problem for effective structure prediction of chemical-disordered materials为题发表于npj Computational Materials。