近年来，机器学习工具如神经网络和高斯过程回归被广泛应用于原子作用势的研究中。由加州大学圣芭芭拉分校的AntonVan der Ven教授领导的研究团队，利用机器学习方法成功预测了晶体的形成能。他们开发了一种先进的神经网络方法，通过大量的关联函数作为描述符，构建了一个精确的格点哈密顿模型，以描述多组分固体中依赖于格点位置占据概率的性质。这种方法使用位点中心关联函数作为描述符，能够准确计算出面心立方晶体的综合多体二元哈密顿函数的形成能以及锂插入TiS2的形成能。研究结果表明，复杂的多体相互作用可以通过非线性模型进行近似描述，这种描述只需要较小的集团即可实现。该方法还可以进一步扩展，用于描述多组分晶体中任意标量性质（包括形成能和体积）。

该论文近期发表于[i]npj Computational Materials[/i] [b]4[/b]: 56 (2018)。英文标题与摘要如下：

利用机器学习预测多组分晶体的形成能

Anirudh Raju Natarajan & Anton Van der Ven

机器学习工具如神经网络和高斯过程回归正越来越多地应用于原子作用势的研究中。本文提出了一种利用非线性插值工具描述多组分固体中依赖于占据自由度性质的方法。通过使用对称适应性簇函数区分不同的局部有序结构，这些局部特征作为输入传递给神经网络，从而再现局部性质如位点能量。我们将此技术应用于合成簇展开哈密顿模型以及从第一性原理计算出的锂插入TiS2的形成能。所提出的公式和结果表明，复杂的多体相互作用可以通过涉及较小簇的非线性模型进行近似描述。