针对化学无序材料微观结构高效获取问题，中国科学院山西煤炭化学研究所研究员温晓东团队，联合中科合成油技术股份有限公司和中科院力学研究所研究人员共同开发了基于高通量计算、机器学习和主动学习的高效结构预测方法——LAsou（辣搜）。利用LAsou方法，研究人员对三种典型的有限尺寸体系进行了测试，包括阴离子无序BaSc(O_xF_1-x)3 (x=0.67)材料、阳离子无序Ca_1-xMn_xCO₃ (x=0.25)材料和缺陷无序ε-FeC_x (x=0.5)。与传统枚举法相比，LAsou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。 对于化学无序材料体系的结构预测问题，计算预测的复杂度随着体系尺寸、位点及元素等呈现多体体系的“指数墙”问题（exponential wall problem），LAsou方法在解决此问题上显示出巨大潜力。在LAsou方法中，机器学习用于构建势函数模型可以对大采样空间采样结构进行预测和筛选，通过主动标记“优势”候选结构，从而大大减少第一性原理的计算量；同时集成学习算法可以显著提高势函数模型对能量计算和结构弛豫计算的稳定性，主动学习算法则可以在线地逐步标记和搜集训练样本并提高机器学习势函数模型的精度，从而不需要预先准备大量的训练数据。LAsou方法具有很强的算法稳健性（robustness），多个参数、策略、初始值的测试表明，不同体系均能保持很高的预测效率。基于这些优点和特性，LAsou方法将在更大、更复杂、准无限尺寸材料（如纳米颗粒、催化剂、高熵合金、高熵氧化物、固溶体等）体系中得到广泛应用。相关研究成果近期以Active learning to overcome exponential-wall problem for effective structure prediction of chemical-disordered materials为题发表于npj Computational Materials。