Agentic Global Optimization of Site-Disordered Crystalline Materials
本文介绍了一种利用代理模型来高效识别位错晶体材料中最低能量原子排序的智能体全局优化框架，该框架在多种晶体结构中展现出了优异的准确性，并且与传统搜索方法相比，计算成本降低了4.3倍。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
晶体是固体世界中有序的构建模块，从调味瓶里的盐到计算机芯片中的硅。在理想的晶体中，原子处于完美的、重复的排列模式中，就像队列中的士兵。然而，驱动现代世界的材料很少是完美的。科学家经常故意将不同类型的原子混合到同一模式的位置中，以改变材料导电或储存能量的方式。这种混合创造了一种被称为“无序”的状态，在这种状态下，原子的具体排列方式不是固定的，而是随处变化。研究人员面临的问题是，即使是少量的混合也会产生惊人的排列组合数量。为了了解一种材料实际会如何表现，科学家必须找到那个最稳定、能量最低的单一排列方式。传统上，寻找这种完美的排列就像是在大海捞针，需要逐一检查每一个可能性，这个过程缓慢、昂贵，且对于复杂的材料来说往往是不可能的。
一组研究人员现在开发了一种更聪明的方法来解决这个谜题，他们将寻找最佳原子排列的过程视为一个智能决策问题，而非暴力计算问题。该系统不再盲目测试随机组合，而是创建了一个能够边学习边工作的计算机系统。该系统根据它已经测试过的少量排列方式，构建出一张能量景观的精神地图。通过每一次新的测试，系统都会平衡三个目标来决定下一个要检查的排列：寻找比目前发现的最佳排列更好的版本、探索其对能量不确定的区域，以及尝试全新的事物以避免陷入局部死胡同。这种方法被作者称为“代理式”（agentic）搜索，它允许计算机像一位经验丰富的探险家一样，既知道何时跟随一条有希望的路径，也知道何时冒险进入未知领域。
研究人员将这种方法与三种传统的搜索方法进行了对比：一种是通过偶然机会选择排列的随机游走，一种是偶尔接受较差选项以逃离局部陷阱的统计方法，以及一种通过混合和变异优秀排列来模拟进化的遗传算法。他们在十四种不同的晶体结构上进行了这些测试，涵盖了从简单的金属合金到电池中使用的复杂化合物。对于每一个测试案例，研究人员事先都知道真实答案，因为他们已经计算出了这些特定系统的所有可能排列。结果令人震惊。这种智能搜索在 94% 的尝试中找到了完美的、能量最低的排列，而传统方法成功的概率不到 56%。更重要的是，这种智能搜索的效率要高得多。平均而言，它只需要极小部分的计算时间就能找到答案。该新方法中最优的版本（使用了一种特定类型的统计模型）达到相同结果所需的计算量仅为表现最好的传统方法的约四分之一。
其中一个最引人注目的测试涉及一种名为 Na2/3FePO4 的材料，这与电池技术密切相关。这种材料之所以特别困难，是因为它同时存在两种类型的无序：一些位置缺失钠原子，而其他位置的铁原子具有不同的电荷。这两个问题是相互关联的，这意味着其中一个的变化会影响另一个。研究人员将他们的智能搜索应用于这个复杂的系统，将电荷信息直接编码进模型中。尽管可能存在的排列方式数量巨大（在简化前估计达数百亿种），该系统仍成功找回了科学家在实际实验中观察到的精确原子排序。它仅用了 75 次尝试就找到了这种正确的结构，而这个数字通过逐一检查所有可能性是根本无法实现的。
这项研究表明，解决这些困难材料科学问题的关键不仅在于拥有更快的计算机，还在于拥有更聪明的计算选择方式。通过使用一个能从自身历史中学习的模型，研究人员展示了以卓越的速度和准确性在极其广阔且复杂的原子可能性景观中进行导航是可能的。虽然这种方法并不是能瞬间解决所有问题的“万灵药”，但它提供了一个可靠且高效的工具，用于发现决定材料性能的隐藏结构。研究人员发现，一种被称为贝叶斯岭回归（Bayesian ridge regression）的特定统计方法表现最为稳定，在所有测试的不同材料中均实现了全胜。这表明，对于试图设计新材料的科学家来说，未来在于那些能够随着收集到的数据进行学习和进化的自适应搜索策略。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。