基于從頭算和機器學習方法預測硬質涂層合金的彈性性能

【引言】

硬質涂層可增強金屬材料的服役性能和壽命，在先進制造、航空航天和汽車部件等領域有重要應用。然而，早期用實驗方法對硬質涂層材料的研發已不能滿足高效、系統設計新型復雜的多組元涂層材料。機器學習是被公認為的一種減少實驗和計算量，加速涂層材料設計的切實可行的方法。

然而，訓練機器學習模型需要大量的實驗和計算，目前缺乏完整的數據庫，這是發展高效篩選硬質涂層材料機器學習模型的主要障礙。數據缺失主要體現在兩點，一方面是彈性常數，它是影響材料硬度的重要因素。但彈常需要大量計算資源，目前數據庫中僅有部分材料有彈常信息。另一方面，大多工業中實際應用的硬質涂層材料都是無序結構，而現有的數據庫關注于有序結構，因而，建立無序結構涂層材料數據庫具有重要意義。

【成果簡介】

近日，瑞典林雪平大學和俄羅斯國立科技大學在npj Comput. Mater.上發表文章，題為“Predicting elastic properties of hard-coating alloys using ab-initio and machine learning methods”。該工作利用密度泛函理論和機器學習，建立了硬質涂層材料數據庫，開發了自動化高通量工作流，獲得決定硬質涂層性質的關鍵參數，并發展理論預測模型。主要工作如下：

基于The High-Throughput Toolkit (httk)平臺，開發高度自動化第一性原理高通量計算工作流，實現自動創建計算任務、管理計算作業、修復計算故障的功能，獲得X_1-XY_XN（X，Y∈{Al，Ti，Zr，Hf}）二元和三元氮化物的彈性常數、體積模量等影響涂層力學性能的微觀物性參數。

利用Materials Project數據庫中有序結構涂層材料數據訓練晶像卷積神經網絡模型（CGCNN）。根據此模型可以較好地預測材料的體積模量和剪切模量。由于CGCNN模型可以讀取數據庫中基本單元而對有序度沒有要求。這表明，模型可以推廣到無序結構涂層材料。transfer training（TL）的基本思想是基于部分可利用數據訓練機器學習模型并在更小的數據庫中合理修正調整模型。由于無序結構材料數據信息極少，本文采用TL方法以有序結構作為訓練起始點，繼續訓練CGCNN模型，提高預測無序結構材料的精度。

【圖文導讀】

圖 1?文章出處

圖 2?B1，B3，B4和Bk有序氮化物結構球棍模型。紅色代表金屬原子，灰色代表氮原子。

圖 3?CGCNN模型框架。輸入一個確定的晶體結構，高度提取結構信息，將3D結構轉為2D圖像，作為CGCNN模型訓練的初始信息，進行一系列特定函數和判據的迭代篩選

圖 4?比較DFT計算結果和機器學習預測結果。(a) 基于Materials Project 數據庫，獲得訓練、驗證和測試集，分別由藍十字、紅方塊和綠圓表示。(b) 無序氮化物測試集，其中DFT和機器學習預測的最大和最小值對應的化學式標注圖中

【總結】

文章以無序氮化物硬質涂層為例，結合第一性原理計算和機器學習提出了一種獲得無序結構涂層材料彈性性能的新理論模型。為預測材料的彈性性能和建立無序結構涂層數據庫提供數據支撐，為高效設計篩選新型涂層材料奠定基礎。

本文由花果山的小猴子供稿。