三元碳化物晶体结构预测：机器学习原子间势

三元碳化物材料因其优异的机械和热性能，在极端环境下具有广泛应用潜力。传统的密度泛函理论（DFT）计算在预测三元碳化物的热力学稳定性方面成本过高，难以大规模应用。Eva Zurek教授团队开发的PRAPs工具，通过机器学习生成原子间势，显著加速了三元碳化物的结构预测。该方法基于AFLOW数据库的DFT数据，采用矩张量势模型进行训练，并通过主动学习优化训练集，能够快速筛选和优化低能量候选结构，预测其热力学稳定性。该研究为多组分材料的晶体结构预测提供了高效的计算工具，有助于加速材料设计和开发。