硅-氧化合物是自然科学中最重要的化合物之一，作为矿物的组成部分，被用于半导体和催化。除了众所周知的二氧化硅，还有不同化学计量组成的相和纳米结构的复合材料。因此，理解Si–O系统的关键挑战之一是准确解释其在单个原子长度尺度之外的纳米级异质性。鉴于此，来自牛津大学的Volker L. Deringer、达姆施塔特工业大学的Karsten Albe和Jochen Rohrer研究发现基于原子机器学习和主动学习工作流，对全Si–O系统进行统一的计算描述确实是可行的。

文章要点：

1) 该研究系统探索了超高压二氧化硅、表面和气凝胶以及非晶一氧化硅结构的应用；

2) 此外，该研究揭示了如何通过主动机器学习来捕捉原子和几个纳米长度尺度之外的功能材料的结构复杂性。

参考资料：

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