8月17日提交arXiv的研究（arXiv:2608.16611）"Machine Learning-Accelerated Band-Edge Engineering of Pnictogen Chalcohalide Solid Solutions for Solar Energy"将机器学习用于铋/锑硫卤化物（MChX；M=Bi,Sb；Ch=S,Se；X=I,Br）固溶体的带边位置工程。这类材料组合了地球丰富元素、可调带隙（1.2-2.1 eV）与强光吸收，是太阳能转换的有力候选；但其庞大的组分空间一直阻碍对"带边位置如何随化学配比与表面端基变化"的系统性评估。研究团队结合高通量第一性原理计算与机器学习代理模型，加速扫描整个固溶体组分空间，绘制了带边位置随组分变化的图谱，并识别出与水分解或光伏应用能级匹配的最优组分区间。该工作展示了"ML代理模型+物理描述符"在复杂固溶体光伏材料快速筛选中的实效：将原本不可穷举的DFT计算量压缩数个量级，为无铅、地球丰富的下一代光电材料提供组分设计准则。 （来源：arXiv）