麻省理工學院(MIT)開發了一項結合了蒙地卡羅法(Monte Carlo Method)，並可預測原子等級之材料表面結構的機器學習法。此項技術可以從多成分材料的表面原子分佈或原子排列的大量可能組合中識別出具有最小自由能(Free Energy)、最穩定的表面原子結構。由於高速且具有優異的數據效率，將可望藉此降低計算成本，活用於觸媒、半導體、電池用化合物或合金等的開發。
MIT利用馬可夫鏈蒙地卡羅法(MCMC)從幾種自動選擇的原子分佈或排列組合出發，根據第一原理計算原子間勢，並透過互動式機器學習過程，嘗試從數百萬種可能性中特定出自由能最低、最穩定的表面結構。結果顯示透過新技術能以少於5,000次第一原理計算，實現了高速與高數據效率。
經過實證，MIT對GaN(0001)、Si(111)、SrTiO3(001)的穩定表面結構進行了預測，發現結果與先前的研究結果一致。此外，研究中也證實可以預測運行過程中表面特性隨時間變化的動態資訊，例如可以推估觸媒的化學反應促進過程、電池電極的充放電過程。
MIT將新開發的機器學習法命名為「AutoSurfRecon」，且廣泛開放給全球研究人員下載使用，今後可望在綠色氫氣製造、二氧化碳分解等各領域獲得應用。