硅-氧化合物是自然科學中最重要的化合物之一，作為礦物的組成部分，被用于半導體和催化。除了眾所周知的二氧化硅，還有不同化學計量組成的相和納米結構的復合材料。因此，理解Si–O系統的關鍵挑戰之一是準確解釋其在單個原子長度尺度之外的納米級異質性。鑒于此，來自牛津大學的Volker L. Deringer、達姆施塔特工業大學的Karsten Albe和Jochen Rohrer研究發現基于原子機器學習和主動學習工作流，對全Si–O系統進行統一的計算描述確實是可行的。
文章要點：
1) 該研究系統探索了超高壓二氧化硅、表面和氣凝膠以及非晶一氧化硅結構的應用；
2) 此外，該研究揭示了如何通過主動機器學習來捕捉原子和幾個納米長度尺度之外的功能材料的結構復雜性。
參考資料：
Erhard, L.C., Rohrer, J., Albe, K. et al. Modelling atomic and nanoscale structure in the silicon–oxygen system through active machine learning. Nat. Commun. (2024).
10.1038/s41467-024-45840-9
https://doi.org/10.1038/s41467-024-45840-9
