近日，英国威廉希尔公司官网王彦超教授受Nature Computational Science邀请，撰写了题为 “Boosting crystal structure prediction via symmetry” 的 News & Views 文章，对凝聚态物理领域中晶体结构预测的最新进展进行了评述。

在材料研究领域，传统的材料发现主要依赖试错法，这种方式需要大量实验探索，过程繁琐且成本高昂。随着科技的进步，材料设计逐步向理论驱动转变，以期直接预测具备特定功能的材料，并为实验合成提供指导。作为这一过程的核心环节之一，晶体结构预测在过去几十年取得了显著进展。然而，在应对多元素复杂体系或大尺寸晶胞时，现有方法仍面临诸多挑战，限制了其在复杂材料研究中的应用。

在此次受邀撰写的文章中，王彦超教授重点评述了南京大学 Han 等人在 Nature Computational Science 发表的研究成果。该研究提出了一种基于演化算法的晶体结构预测方法，该方法结合对称性理论和图论，有效缩小候选构型空间，并克服了传统演化算法中母结构对称性往往降低至 P1 空间群的局限性，从而提升了复杂材料结构预测的效率。

王彦超教授在文章中还探讨了晶体结构预测领域目前面临的挑战，包括有限温度下的结构预测、无序结构预测以及材料合成可行性预测。他指出，尽管当前的晶体结构预测方法取得了一定进展，但在更广泛的材料发现中仍存在局限性。例如，现有方法未考虑温度效应，且不适用于预测无序结构。此外，即使晶体结构预测确定了一种热力学稳定的材料，其在实验中的可合成性仍取决于动力学因素、合成技术以及合适的前驱体等多个条件。

展望未来，王彦超教授认为，人工智能算法为解决这些挑战提供了新的可能。例如，高精度且具备强可转移性的深度学习势已被用于预测非晶前驱体向晶体的转变过程，这一问题传统的分子建模或从头算方法难以解决。结合新兴的晶体结构预测方法与人工智能驱动的合成设计，有望为材料的逆向设计开辟一条前景广阔的道路。

论文链接：

https://www.nature.com/articles/s43588-025-00779-9