RAFFLE：基于主动学习的加速界面结构预测新方法及其在材料发现中的应用

《npj Computational Materials》：RAFFLE: active learning accelerated interface structure prediction

本文针对界面结构预测中存在的巨大构型空间和计算成本高的问题，开发了RAFFLE软件包。该工具结合物理见解和遗传算法，利用动态演化的2-、3-和4-体分布函数作为广义结构描述符，通过主动学习指导原子放置策略。研究表明RAFFLE在体材料、插层化合物和界面等多种体系中表现优异，能够高效探索低能界面构型，为材料发现提供了强大工具。

　　

在现代材料科学领域，界面作为连接不同材料的桥梁，对半导体晶体管、锂离子电池和太阳能电池等器件的性能起着决定性作用。然而，与高度对称的体材料相比，界面区域往往表现出低对称性、原子重构和晶格失配等复杂特征，使得其结构预测成为计算材料学中的重大挑战。传统实验方法在合成和表征如此微小而复杂的系统时面临诸多困难，而现有的结构预测工具如AIRSS、CALYPSO和USPEX主要针对体材料设计，对界面结构的处理能力有限。

面对这一困境，来自埃克塞特大学和奥胡斯大学的研究团队在《npj Computational Materials》上发表了题为"RAFFLE: active learning accelerated interface structure prediction"的研究论文，开发了一种创新的软件包RAFFLE（Random Active-learning For Fast Low-energy Exploration），为界面结构预测提供了高效解决方案。

研究方法的核心技术包括：广义结构描述符系统（基于2-体、3-体和4-体分布函数）、主动学习循环机制、多策略原子放置方法（全局最小值搜索、随机行走、生长方法、空隙寻找和随机放置），以及基于能量加权的描述符更新算法。研究采用机器学习势函数（如CHGNet和MACE-MPA-0）和密度泛函理论（DFT）进行能量评估，通过主成分分析（PCA）对生成结构进行系统性比较。

研究结果

RAFFLE工作流程设计

研究团队建立了完整的RAFFLE工作流程，该系统需要三个关键输入：主体结构、待放置原子的化学计量比以及包含结构和能量信息的数据库。工作流程包含五个核心步骤：首先基于数据库生成元素依赖的结构描述符；然后建立原子放置规则；接着按照化学计量比在主体结构中放置原子；输出生成结构进行能量计算；最后通过主动学习反馈更新描述符，直至收敛到最低能量结构。

广义描述符系统的构建

研究团队开发了基于2-体、3-体和4-体分布函数的广义结构描述符系统。2-体函数描述原子对间距分布，3-体函数基于Keating势描述键角分布，4-体函数则对应非正常二面角，能够有效识别平面排列特征。这些描述符通过高斯函数平滑处理，确保结构特征的类比分析成为可能。

位点可行性评估方法

RAFFLE通过比较测试原子的分布函数与广义描述符的重叠程度来评估位点可行性。该方法综合考虑了2-体、3-体和4-体贡献，采用乘法组合方式对不利局部排列产生偏置，特别关注角几何环境对晶体对称性的决定作用。

多策略原子放置算法

研究团队开发了五种原子放置方法：全局最小值搜索（追求彻底性和局部几何保持）、随机行走（引入基态偏差）、生长方法（模拟物理生长过程）、空隙寻找方法（快速填充大细胞并保持均匀密度）以及随机放置（复制现有RSS算法）。这些方法按用户定义的比例随机选择，确保在探索效率和计算成本间取得平衡。

与随机结构搜索的性能比较

在碳金刚石相识别测试中，RAFFLE表现出显著优势。与传统的随机结构搜索（RSS）相比，RAFFLE在原子弛豫前探索了更广泛的相空间，生成了更多弛豫到金刚石相或类似能量的结构（超过RSS的3倍），同时仍能采样相同的能量范围。

体材料结构搜索验证

研究团队将RAFFLE应用于碳、铝和MoS₂三种体材料系统。在碳材料搜索中，RAFFLE成功恢复了AB堆叠的石墨和金刚石相；在铝材料搜索中，识别出FCC、HCP、BCC和α镧状相；在MoS₂搜索中，成功恢复了H相和T相。这些结果证明了RAFFLE在复杂材料系统中的广泛适用性。

界面结构搜索应用

在ScS₂-Li插层系统中，RAFFLE成功识别出锂离子的两种特征构型：T相状层状结构和四面体状配位。在石墨烯晶界研究中，RAFFLE重现了先前使用AIRSS软件确定的三种最低能量晶界构型（GB-I、GB-II和GB-III）。在Si|Ge界面研究中，RAFFLE发现了多个能量相近的混合构型，其形成能量在室温热涨落范围内（约25 meV）。

构型空间高效采样策略

研究表明，通过调整放置方法比例可以更有效地搜索界面构型空间。与完全随机方法相比，偏向确定性放置方法（如最小值方法）能够更成功地识别最低能量构型。RAFFLE在200个结构内实现100%成功率的性能，远超RSS方法。

研究结论与意义

RAFFLE代表了一种将物理见解与遗传算法相结合的界面结构预测新范式。通过利用动态演化的2-体、3-体和4-体分布函数作为结构描述符，RAFFLE能够以显著低于传统随机搜索的计算成本进行大规模构型搜索。该方法成功应用于体材料、插层结构、2D|2D横向界面和3D体材料|3D体材料界面四类材料系统，均展现出优异的性能。

研究的一个重要结论是：现实的界面建模应该优先生成低能量系综，而不是寻求唯一的全局最小值。通过考虑热可及构型，这种基于系综的方法为实际材料系统中界面结构和行为提供了更准确、可转移的理解。RAFFLE能够有效减轻人类对仅考虑陡峭界面的偏见，这种偏见在传统的原子尺度界面建模中一直占主导地位。

尽管当前的基础模型在准确捕捉界面系统特性方面仍存在不足，但RAFFLE框架的计算器无关性设计为未来集成更高精度方法留下了空间。随着深度学习等技术的进步，RAFFLE有望进一步扩展界面结构预测的规模，加速新材料相的发现进程。

该研究的实际意义在于为材料科学家提供了一种高效探索界面构型空间的工具，特别适用于电池电极材料、半导体界面和低维材料系统等前沿研究领域。通过降低界面结构预测的计算门槛，RAFFLE有望推动界面工程在能源存储、电子器件和量子材料等领域的应用发展。