硬涂层材料具有广泛的应用，包括金属切割、防刮涂层、研磨，以及航空航天和汽车零部件。然而，随着新涂层材料的设计从二元和三元体系向四元或更高元体系发展，组合的复杂性迅速增加，使得预测材料性能的传统方法越来越难以奏效。

Fig.1Calculatedmixingenergiesandstructuralstability.

由瑞典林雪平大学物理、化学和生物系的H.Lev?m?ki教授领导的团队，开发了一个自动化的高通量工作流程，用于建立无序硬涂层材料的计算数据库，并展示了计算结果。通过与MaterialsProject数据和现有文献的比较，验证了数据的可靠性。此外，作者对MaterialsProject中有序化合物进行了CGCNN机器学习模型的训练，证明该模型能够很容易地预测无序氮化物的体积模量和剪切模量，且具有足够的准确性。CGCNN架构似乎能够从数据中学习到这些基本的模式，这些模式在任何有序度下都存在，这表明CGCNN从有序系统到无序系统具有良好的泛化能力。通过使用有序数据训练的ML模型作为TL的起点，可以进一步提高无序系统的预测精度。作者的发现为深入了解无序硬涂层材料开辟了新的途径，并支持和可能加快无序硬涂层材料的研究，这些材料的计算量大，因此积累形成大型数据库的速度较慢。

该文近期发表于npjComputationalMaterials8:17().。手机阅读原文，

转载请注明:http://www.aideyishus.com/lkyy/717.html