氧化铈（CeO₂）具有独特的 4f 电子结构和高储氧能力，是一种重要的催化剂和载体材料。然而，CeO₂ 纳米簇的复杂性对其结构表征构成了挑战。

近日，来自中国科学院和上海大学的研究团队，提出了一种机器学习方法，利用高维神经网络势（High-dimensional Neural Network Potential，HDNNP）来加速氧化铈纳米簇结构的全局优化。

新方法集成了主动学习，构建了一个多功能的 HDNNP，可以探索从小型到中型的氧化铈簇（CenO2n+x，n=2~18，x=−1, 0, +1）的庞大构型空间。通过迭代主动学习改进的 HDNNP，达到了与第一性原理计算相当的准确性。

结果表明，最低能量结构的构型在不同区间有所不同。在 n=9 和 n=14 时，结构从紧凑型转变为多层有序结构，随后转变为金字塔结构。当 n>14 时，几乎所有的结构都是由核心不断增长的金字塔结构衍生而来的。此外，还分析了最低能量簇的电子结构。

HDNNP 为复杂纳米团簇结构的全局优化提供了一个强大的框架。该研究不仅促进了对氧化铈纳米团簇的理解，而且为机器学习势在复杂电子结构材料科学研究中的应用铺平了道路。

相关研究以《Accelerating Global Optimization of Cerium Oxide Nanocluster Structures with High-Dimensional Neural Network Potential》为题，发布在《The Journal of Physical Chemistry A》上。

论文原文及解读稿全文已上线超算互联网「论文研读」店铺，可点击文末“阅读原文”或访问下方链接获取：

• 投递邮箱：scnet_contest@163.com 

• 也可扫描下方二维码添加超算互联网小编企业微信进行投稿。还可入群交流，共同探讨 AI4S 发展，快速把握科研领域的热点资讯。