.png){kind=icon}
返回
RAFFLE: active learning accelerated interface structure prediction
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01749-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
材料界面对于许多器件的性能至关重要，但预测其结构由于巨大的构型空间而计算量巨大。我们介绍了RAFFLE，一个用于高效探索任意晶体对之间低能界面构型的软件包，能够生成界面结构的集合。RAFFLE利用物理洞察和遗传算法智能地采样构型，使用动态演化的2-、3-和4体分布函数作为广义结构描述符。这些描述符通过主动学习进行优化，以指导原子放置策略。RAFFLE在包括块体材料、插层化合物和界面在内的多种体系中表现出色。它正确恢复了铝和MoS2的已知块体相，并预测了插层和晶界体系中的稳定相。对于Si∣Ge界面，它发现混合界面和突变异质结结构具有相似的稳定性。通过加速界面结构预测，RAFFLE为材料发现提供了一个强大的工具，能够高效探索复杂的构型空间。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏Atomic-level insights into the highly conductive lithium thio-phosphate solid electrolytes with exceptional stability against lithium metal对具有优异锂金属稳定性、高导电性的锂硫磷酸盐固态电解质的原子级见解OAAI
OAAI分享收藏
查看更多内容