编辑 | ScienceAI
晶体结构预测（Crystal Structure Prediction, CSP）是一个不断发展的领域，旨在通过最少的先验信息来识别晶体结构。尽管各种 CSP 算法已经取得了一定的成功，但其实际应用仍然受到限制，尤其是在处理大型复杂系统时。
提高 CSP 效率的方法多种多样。近年来，一个主流方向是通过用机器学习势（Machine Learning Potentials, MLPs）替代计算成本高昂的从头计算，从而加速「适应性」计算，进而降低 CSP 的总体计算成本。
然而，仅靠 MLPs 的准确性并不能保证 CSP 的成功，还需要有效的采样方法，以增加相对合理的试验结构的比例。受全局优化算法的启发，许多实现方法在搜索势能面（Potential Energy Surface, PES）的全局最小值方面显示出有效性。
值得注意的是，结合晶体对称性已被证明是各种 CSP 中的有效约束，这基于观察到稳定晶体通常表现出高对称性。然而，许多现有方法仅停留在随机生成对称构型或在搜索过程中保持对称性。在更深层次上，对称性原理作为一种强大且通用的工具，尚未得到充分利用。
此前，南京大学孙建教授课题组设计了机器学习与图论辅助的晶体结构搜索软件 MAGUS，近期该研究团队又基于对称性原理进一步升级了 MAGUS 软件。通过集成动态的空间群挖掘器和片段重组器，并结合对称保持突变，MAGUS2.0 能够生成更高质量的初始结构，从而降低 CSP 任务的计算成本，晶体结构搜索效率提升 4 倍以上。
论文地址：https://www.nature.com/articles/s43588-025-00775-z
研究团队提出了一种基于对称性原理的进化结构搜索方法。一方面，该研究强调了对称性在晶体中的重要性，另一方面，对称性原理的局限性也凸显了局部原子聚集体的重要性，从而促使研究团队开发了一种识别局部片段的方案。如下图所示，该研究提出的方法包括一个结构生成器，旨在自动识别全局对称性和局部片段特征。
论文展示了一次针对 γ- 硼的加速结构搜索过程。程序使用均匀分布的空间群和 28 个独立的硼原子进行初始化，最终得到了基态相，展示了空间群挖掘器和片段重组器的加速结构搜索能力。
MAGUS2.0 已在多种系统中展现出高效性，成功发现了众多晶体结构。
MAGUS2.0 可以搜索得到传统搜索方法无法成功解决的红磷、硅 7×7 表面基态，甚至还预言了一种新型蝴蝶磷结构。
感兴趣的读者可以阅读论文原文，了解更多研究内容。
相关报道：https://www.nju.edu.cn/info/1067/403491.htm
