Key points are not available for this paper at this time.
Métodos baseados em dados transformaram as perspectivas das ciências químicas computacionais, com potenciais interatômicos aprendidos por máquina (MLIPs) acelerando cálculos em várias ordens de magnitude. Refletirei sobre a descoberta orientada por teorias, em oposição à descoberta orientada por dados, baseada em busca de estruturas aleatórias ab initio (AIRSS), e então apresentarei dois métodos que exploram a aceleração por aprendizado de máquina. Mostro como longas têmperas de alto rendimento, entre relaxação estrutural direta, possibilitada por potenciais derivados de dados efêmeros (EDDPs), podem ser incorporadas ao AIRSS para enviesar a amostragem de sistemas desafiadores em direção a configurações de baixa energia. O HOT AIRSS (hot-AIRSS) preserva a vantagem paralela da busca aleatória, ao mesmo tempo que permite que sistemas muito mais complexos sejam abordados. Isso é demonstrado através de buscas por estruturas complexas de boro em grandes células unitárias. Em seguida, mostro como estruturas de carbono de baixa energia podem ser geradas diretamente a partir de uma única estrutura de diamante, determinada experimentalmente. Uma extensão para a geração de estruturas aleatórias sensíveis, candidatos são gerados estocasticamente e, em seguida, otimizados para minimizar a diferença entre o vetor de ambiente EDDP e o da estrutura de referência de diamante. A função de custo baseada na distância é capturada em um EDDP aprendido ativamente. Grafite, pequenos nanotubos e estruturas aprisionadas, semelhantes a fulereno, surgem de buscas utilizando esse potencial, juntamente com uma rica variedade de estruturas de quadro tetraédricas. Usando a mesma abordagem, a estrutura de granada do piropo, Mg₃Al₂(SiO₄)₃, é recuperada a partir de uma estrutura AIRSS de baixa energia gerada em uma célula unitária menor com uma composição química diferente. A relação dessa abordagem com métodos modernos gerativos baseados em modelos de difusão é discutida.
Chris J. Pickard (Mon,) estudou essa questão.