.png){kind=icon}
返回
EZGA: An evolutionary structure exploration framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cpc.2026.110354.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化算法为探索分子和材料的结构复杂性提供了强大途径，能够高效探索系统的能量景观以识别与稳定和亚稳态构型相关的能量极小值。然而，现有框架常在灵活性、化学保真度和可扩展性之间进行权衡，导致产生非物理结构或过度受限的搜索空间。本文提出的框架通过模块化进化架构设计，旨在解决这些限制，在保持化学一致性的同时实现可扩展探索。该框架结合了可互换的进化流水线与基于化学原理的分子和晶体编码，确保在不同原子尺度问题类别中实现物理意义明确的采样。一种层次化超胞递增（HiSE）协议将低能基元从最小单元传播到更大超胞，提高了扩展系统的采样效率。执行模型整合了用于物理评估的同步并行与异步多智能体岛屿策略，同时混合SQL-HDF5归档确保高效、可复现且容错的数据管理。在涵盖肽构象、Lennard-Jones纳米团簇、二元氧化物凸包重建和CuO/Cu₂O表面相图的基准测试中，该框架成功恢复目标低能盆地和热力学包络线，解析复杂相边界，并表现出低编排开销和高效强扩展性。高级YAML工作流支持自主发现任务，减少手动干预，定位为一种灵活的、可扩展的、化学一致的原子尺度探索框架。
Keyword:
Genetic algorithms
Multi-objective optimization
Materials informatics
Chemical structure exploration
Python software
