從能源生產到航空航天，工業(yè)上對超硬材料的需求都很高，但是找到合適的新材料很大程度上取決于基于經典材料(例如鉆石)的反復試驗。到現(xiàn)在。休斯頓大學和曼哈頓學院的研究人員報告了一種機器學習模型，該模型可以準確地預測新材料的硬度，從而使科學家可以更容易地找到適合用于多種應用的化合物。這項工作在《先進材料》上有報道。

極硬的材料(定義為維氏標度上的硬度值超過40吉帕斯卡的材料，這意味著需要超過40吉帕斯卡的壓力才能在材料表面留下壓痕)是罕見的。

UH化學副教授，該論文的通訊作者Jakoah Brgoch說：“這使得鑒定新材料具有挑戰(zhàn)性。” “這就是為什么盡管人造金剛石具有挑戰(zhàn)性且制造成本昂貴，但仍使用諸如合成鉆石之類的材料的原因。”

復雜因素之一是，材料的硬度可能會根據(jù)所施加的壓力大小而變化，這稱為負載依賴性。這使得測試材料的實驗變得非常復雜，并且如今幾乎不可能使用計算模型。

研究人員報告的模型通過僅基于材料的化學成分來預測依賴于載荷的維氏硬度，從而克服了這一難題。研究人員報告發(fā)現(xiàn)發(fā)現(xiàn)了10多個新的有前途的穩(wěn)定硼碳化物相。目前正在進行設計和生產材料的工作，以便可以在實驗室中對其進行測試。

根據(jù)模型報告的準確性，賠率很好。研究人員報告準確性為97%。

UH博士研究生的第一作者張子艷(Ziyan Zhang)說，用來訓練該算法的數(shù)據(jù)庫是基于涉及560種不同化合物的數(shù)據(jù)，每個化合物產生幾個數(shù)據(jù)點。查找所需的數(shù)據(jù)遍歷數(shù)百篇已發(fā)表的學術論文，以查找構建代表性數(shù)據(jù)集所需的數(shù)據(jù)。

“所有好的機器學習項目都始于一個好的數(shù)據(jù)集，” Brgoch說道，他也是UH德克薩斯州超導中心的首席研究員。“真正的成功很大程度上在于該數(shù)據(jù)集的開發(fā)。”

除了Brgoch和Zhang，該項目的其他研究人員包括UH的Aria Mansouri Tehrani和Blake Day，以及曼哈頓學院的Anton O. Oliynyk。

Brgoch說，傳統(tǒng)上，研究人員使用機器學習來預測硬度的單個變量，但這并不能解決諸如負載依賴性之類的特性的復雜性，他說，這種復雜性還沒有得到很好的理解。盡管存在早期局限性，但這使機器學習成為一個很好的工具。

他說：“機器學習系統(tǒng)不需要了解物理學。” “它只是分析訓練數(shù)據(jù)并根據(jù)統(tǒng)計數(shù)據(jù)做出新的預測。”

但是，機器學習確實有局限性。

Brgoch說：“使用機器學習的想法并不是說'這是下一個最重要的材料'，而是有助于指導我們的實驗性搜索。” “它告訴你應該去哪里。”