Acelerando la predicción de la estructura cristalina mediante potenciales interatómicos de aprendizaje automático con aprendizaje activo

Proponemos una metodología para la predicción de la estructura cristalina basada en el algoritmo evolutivo USPEX y los potenciales interatómicos de aprendizaje automático que aprenden activamente sobre la marcha. Nuestra metodología permite la construcción automatizada de un modelo de interacción interatómica desde cero, reemplazando la costosa teoría de funcionales de densidad (DFT) y proporcionando un aumento de velocidad de varios órdenes de magnitud. Las estructuras de baja energía predichas se prueban luego en DFT, asegurando que nuestro modelo de aprendizaje automático no introduce ningún error de predicción. Probamos nuestra metodología en la predicción de estructuras cristalinas de carbono, fases de alta presión de sodio y alótropos de boro, incluidos aquellos que tienen más de 100 átomos en la celda primitiva. Todos los principales alótropos han sido reproducidos, y se ha predicho una estructura de boro de 54 átomos hasta ahora desconocida con un esfuerzo computacional muy modesto.