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。