高效的晶体结构预测（CSP）一直是计算物理与材料科学领域追求的目标，本报告介绍借助机器学习（ML）提高CSP效率的一种方法。报告内容主要包括：1）结合图神经网络能量预测模型与深度强化学习算法的晶体组合优化程序。该方法仅需少量样本即可解析多元合金键合特征，使CSP效率提高了两个量级。2）利用对称性约束和特征归因模型，在82种二维B-C-N体系中发现28种新结构，速度较流行方法快10倍。3）通过势能面切片技术，仅用100个样本准确定位低能区，成功解析CuIn5Se8等复杂结构。上述方法形成了"全局搜索-局部优化-特征解析"的完整技术链条，在保持精度的同时显著提升计算效率，为新材料设计提供了高效且普适性强的解决方案。

林子敬教授1983年毕业于浙江大学物理系，1989年获中国科学技术大学理学博士。曾先后在中国科学院半导体研究所、德国克劳斯塔尔工业大学、尤利希研究中心、加拿大新布伦瑞克大学做研究助理和博士后研究。1994和1997年先后任美国太平洋西北国家实验室Research Scientist和Senior Scientist。2000年入选中国科学院百人计划，任中国科大教授至今。

主要致力于物理理论与计算及其在能源、材料与生命科学领域的应用研究。发表研究论文180余篇，参与编写多个科学计算软件，获国内外发明专利8项，登记中国软件著作权11项。