机器学习驱动的团簇能量预测与结构优化研究

这篇论文主要探讨了利用机器学习技术来解决团簇能量预测和结构全局寻优的问题，重点关注了金属团簇（如金团簇Au）和硼团簇B的优化。团簇是材料科学中的重要研究对象，找到它们的全局最优结构有助于新材料的设计和性能探索。传统的理论计算方法在效率和精度上存在不足，而机器学习可以提供更高效的学习和计算手段。 针对问题1，论文中提到传统金属团簇能量模型的局限性，并构建了一个包含变异因子的Sutton Chen能量预测模型。通过改进粒子群优化算法（PSO），引入自适应惯性权重，提高了搜索效率，避免了陷入局部最优。实验结果显示，对于20个金原子组成的团簇（Au20），最低能量值为-1557.8251，对应的最优结构为对称性的正四面体。 问题2聚焦于32个金原子的团簇（Au32）。论文提出了多条件约束的异构体生成方法，结合AWPSO算法，进行结构的三维重构。经过预测和优化，找到了一个类笼型结构，其最低能量值为-2544.3431，显示出较高的稳定性。 在问题3中，由于传统模型难以准确描述硼团簇（B）的能量，研究团队采用了基于库伦矩阵本征谱的机器学习模型。他们结合AWPSO算法优化了适应度函数，提出了一种新的全局寻优方法。结果显示，45个硼原子组成的团簇（B45）的最低能量结构为带一定曲率的类平面结构，中心有一个六边形空位，能量值为-114305.0794。 最后，在问题4中，研究人员改进了之前的寻优策略，引入库伦矩阵本征谱并开发了多条件约束的NN-AWPSO模型。对于40个硼原子的团簇（B40），他们找到了一个类平面结构，中间有两个六边形空位，原子排列成类正六边形结构，这相比B45团簇拥有更高的对称性和稳定性，最低能量值为-101954.52。 总结起来，这篇论文展示了如何利用机器学习和优化算法有效预测和寻找团簇的全局最优结构，为理解和设计新型材料提供了新的工具和方法。