本文报道了一种用于CSP的ML方法，使用图网络（GN）在给定数据库中建立晶体结构和形成焓（ΔH）之间的相关模型，并使用优化算法（OA）加速寻找具有最低ΔH的晶体结构。所用方法的框架（数据库+ GN模型+OA）非常灵活，可适应材料数据库、晶体图表示和OA的变化。最终，作者实现了2个基准数据库（开放量子材料数据库-OQMD和Matbench（MatB））及3种OA（随机搜索-RS、粒子群优化-PSO和贝叶斯优化-BO）对周期单元中给定原子数晶体结构的成功预测。

       对比研究表明，在MatB结合BO上训练的GN模型，即GN(MatB)-BO，在预测29种化合物的晶体结构方面表现出最佳性能，计算成本比传统方法低三个数量级。因此，这种结合材料数据库、GN和OA的灵活框架可能为数据驱动的晶体结构预测开辟新途径。这项工作以“Crystal structure prediction by combining graph network and optimization algorithm”为题发表于著名国际期刊Nature Communications（IF=14.919）。18新利体育 硕士研究生程观剑为第一作者；尹万健教授为通讯作者。

论文链接：https://www.nature.com/articles/s41467-022-29241-4