通过成分准确预测晶体结构，一种基于ML的CSP新方法

本文介绍了一种名为ShotgunCSP的新方法，用于通过化学成分预测晶体结构。该方法利用机器学习构建能量预测器，结合虚拟晶体结构库，显著降低了传统晶体结构预测（CSP）方法中反复进行第一性原理计算的高计算成本。通过迁移学习和对称性限制结构生成，ShotgunCSP在90种不同晶体结构的基准测试中达到了93.3%的预测精度。研究背景强调了晶体结构对材料特性的重要性，以及传统CSP方法在大规模系统中的局限性。研究目的是开发一种非迭代的CSP算法，以提高预测性能并减少计算成本。结论表明，ShotgunCSP不仅预测精度高，而且设计简单，与并行计算兼容性好，有望在材料科学领域推动新材料的发现和发展。