Obwohl die auf thermodynamischer Energie basierende Kristallstrukturvorhersage (crystal structure prediction, CSP) die Materialentdeckung revolutioniert hat, fällt es energiegesteuerten CSP-Ansätzen oft schwer, experimentell realisierbare metastabile Materialien zu identifizieren, die über kinetisch kontrollierte Pfade synthetisiert werden, was eine kritische Lücke zwischen theoretischen Vorhersagen und experimenteller Synthese schafft. Hier schlagen wir ein auf Synthetisierbarkeit ausgerichtetes CSP-Framework vor, das eine symmetriegestützte Strukturableitung mit einem auf Wyckoff-Kodierung basierenden Machine-Learning-Modell integriert und so die effiziente Lokalisierung von Unterräumen ermöglicht, die wahrscheinlich hochgradig synthetisierbare Strukturen liefern. Innerhalb der identifizierten vielversprechenden Unterräume wird ein strukturbasiertes Bewertungsmodell für die Synthetisierbarkeit – feinabgestimmt anhand kürzlich synthetisierter Strukturen zur Verbesserung der Vorhersagegenauigkeit – in Verbindung mit Ab-initio-Berechnungen eingesetzt, um systematisch synthetisierbare Kandidaten zu identifizieren. Das Framework reproduziert erfolgreich 13 experimentell bekannte XSe-Strukturen (X = Sc, Ti, Mn, Fe, Ni, Cu, Zn) und belegt damit seine Wirksamkeit bei der Vorhersage synthetisierbarer Strukturen. Bemerkenswerterweise werden 92, 310 Strukturen aus den 554, 054 von GNoME vorhergesagten Kandidaten herausgefiltert, die ein großes Potenzial für eine vielversprechende Synthetisierbarkeit aufweisen. Zusätzlich wurden acht thermodynamisch günstige Hf-X-O-Strukturen (X = Ti, V und Mn) identifiziert, unter denen drei HfV₂O₇-Kandidaten eine hohe Synthetisierbarkeit aufweisen; sie stellen realisierbare Kandidaten für die experimentelle Umsetzung dar und stehen potenziell im Zusammenhang mit experimentell beobachteten temperaturinduzierten Phasenübergängen. Diese Arbeit etabliert ein datengesteuertes Paradigma für die durch maschinelles Lernen unterstützte Synthese anorganischer Materialien und unterstreicht ihr Potenzial, die Lücke zwischen rechnerischen Vorhersagen und experimenteller Realisierung zu schließen und gleichzeitig neue Möglichkeiten für die gezielte Entdeckung neuartiger funktioneller Materialien zu eröffnen.
Yu et al. (Wed,) untersuchten diese Frage.