硬质涂层可增强金属材料的服役性能和寿命，在先进制造、航空航天和汽车部件等领域有重要应用。然而，早期用实验方法对硬质涂层材料的研发已不能满足高效、系统设计新型复杂的多组元涂层材料。机器学习是被公认为的一种减少实验和计算量，加速涂层材料设计的切实可行的方法。然而，训练机器学习模型需要大量的实验和计算，目前缺乏完整的数据库，这是发展高效筛选硬质涂层材料机器学习模型的主要障碍。数据缺失主要体现在两点，一方面是弹性常数，它是影响材料硬度的重要因素。但弹常需要大量计算资源，目前数据库中仅有部分材料有弹常信息。另一方面，大多工业中实际应用的硬质涂层材料都是无序结构，而现有的数据库关注于有序结构，因而，建立无序结构涂层材料数据库具有重要意义。
近日，瑞典林雪平大学和俄罗斯国立科技大学在npj Comput. Mater.上发表文章，题为“Predicting elastic properties of hard-coating alloys using ab-initio and machine learning methods”。该工作利用密度泛函理论和机器学习，建立了硬质涂层材料数据库，开发了自动化高通量工作流，获得决定硬质涂层性质的关键参数，并发展理论预测模型。主要工作如下：基于The High-Throughput Toolkit (httk)平台，开发高度自动化第一性原理高通量计算工作流，实现自动创建计算任务、管理计算作业、修复计算故障的功能，获得X1-XYXN（X，Y∈{Al，Ti，Zr，Hf}）二元和三元氮化物的弹性常数、体积模量等影响涂层力学性能的微观物性参数。利用Materials Project数据库中有序结构涂层材料数据训练晶像卷积神经网络模型（CGCNN）。根据此模型可以较好地预测材料的体积模量和剪切模量。由于CGCNN模型可以读取数据库中基本单元而对有序度没有要求。这表明，模型可以推广到无序结构涂层材料。transfer training（TL）的基本思想是基于部分可利用数据训练机器学习模型并在更小的数据库中合理修正调整模型。由于无序结构材料数据信息极少，本文采用TL方法以有序结构作为训练起始点，继续训练CGCNN模型，提高预测无序结构材料的精度。
图 2 B1，B3，B4和Bk有序氮化物结构球棍模型。红色代表金属原子，灰色代表氮原子。图 3 CGCNN模型框架。输入一个确定的晶体结构，高度提取结构信息，将3D结构转为2D图像，作为CGCNN模型训练的初始信息，进行一系列特定函数和判据的迭代筛选。图 4 比较DFT计算结果和机器学习预测结果。(a) 基于Materials Project 数据库，获得训练、验证和测试集，分别由蓝十字、红方块和绿圆表示。(b) 无序氮化物测试集，其中DFT和机器学习预测的最大和最小值对应的化学式标注图中。
文章以无序氮化物硬质涂层为例，结合第一性原理计算和机器学习提出了一种获得无序结构涂层材料弹性性能的新理论模型。为预测材料的弹性性能和建立无序结构涂层数据库提供数据支撑，为高效设计筛选新型涂层材料奠定基础。
