本文是发表在《Carbon》期刊上的一项原创研究，文章标题为“Accelerated discoveries of mechanical properties of graphene using machine learning and high-throughput computation”。该研究的主要作者包括Zesheng Zhang, Yang Hong, Bo Hou, Zhongtao Zhang, Mehrdad Negahban和Jingchao Zhang，研究机构来自美国内布拉斯加大学林肯分校的多个系，以及英国剑桥大学工程系。本研究收到2019年1月23日投递，于2019年3月18日被接受，3月21日在线发布。
这项研究结合机器学习（Machine Learning, ML）算法和高通量计算（High-Throughput Computation, HTC），对单层石墨烯（Graphene）在各种因素（如温度、应变速率、缺陷和手性方向）影响下的机械性能进行了预测。这包括断裂应变（Fracture Strain）、断裂强度（Fracture Strength）和杨氏模量（Young’s Modulus）等关键性能指标。该方法克服了实验研究和传统计算方法效率低下的挑战，大幅加速了石墨烯机械性能的研究进程。
石墨烯是以二维结构存在的一种非常特殊的材料，因其优异的热学、光学和机械性能而受到研究者广泛关注。文献中提到，石墨烯的导热系数可达5000 W/(m·K)，电子迁移率高达2.5×10⁵ cm²/(V·s)，这些特性使得它在许多领域具有潜在应用，例如场效晶体管、高端复合材料、电容器、水处理膜以及太阳能电池等。此外，石墨烯基纳米复合材料被视为机械、土木及航空航天增强结构的重要材料。
尽管石墨烯拥有巨大的应用潜力，但科学界对其在微米和纳米尺度的物理特性理解仍较为有限，尤其是其机械性能在不同影响因素作用下的详细表现。因此，本研究旨在通过机器学习模型对石墨烯的机械性能进行快速而全面的预测，从而为这一领域提供新的见解和工具。
研究的流程主要包括以下几个环节：高通量分子动力学（Molecular Dynamics, MD）模拟生成数据集；机器学习算法的选择与训练；对石墨烯机械性能的模型预测。
研究者以经典分子动力学模拟为基础，重点探讨了以下四个影响因素对石墨烯机械性能的影响： 1. 系统温度（Temperature） 2. 应变速率（Strain Rate） 3. 单原子空位缺陷（Single Vacancy Defect） 4. 手性方向（Chirality）
实验探讨了温度从1 K到1200 K，应变速率从5×10⁻⁵ ps⁻¹到2.5×10⁻³ ps⁻¹，以及从无缺陷到含有3个单原子空位的石墨烯样本的表现。单张石墨烯尺寸为11×11 nm²，共进行1440组（6×6×4×2×5）MD模拟，每组模拟所需CPU小时数约为1600，总计算时长达23万小时。
研究者选择了四种主流机器学习算法： - 随机梯度下降（Stochastic Gradient Descent, SGD） - K邻近算法（K-Nearest Neighbors, KNN） - 支持向量机（Support Vector Machine, SVM） - 决策树（Decision Tree, DT）
此外，还研究了不同结构的人工神经网络（Artificial Neural Network, ANN），包括单层和双层神经网络以及不同的激活函数。所有模型使用分子动力学生成的数据进行训练，并通过10折交叉验证进行性能测试，最终选用验证效果最优的模型用于预测机械性能。
MD模拟清楚地展示了温度、应变速率、空位缺陷和手性对石墨烯机械性能的不同影响： - 温度影响：随着温度升高，石墨烯的断裂应变和断裂强度迅速降低，特别是在300 K到1200 K的高温范围内。这是由于高温下晶体结构的不稳定性所致。 - 应变速率影响：应变速率越高，断裂应变和强度均有所提高。这种增强效应在低温条件下不明显，而在高温条件下较为显著。 - 单原子空位缺陷影响：即使是单个原子级别的空位缺陷，也会显著降低石墨烯的断裂强度和断裂应变，而对杨氏模量的影响不大。 - 手性方向影响：由于石墨烯的二维蜂窝状原子结构，其机械性能表现出显著的手性依赖性。拉伸方向为锯齿方向的石墨烯，其断裂强度和断裂应变均高于扶手椅方向。
研究发现，除了SGD模型，其余三种传统机器学习模型（KNN, SVM与DT）均能有效预测石墨烯机械性能，结果与MD模拟数据高度一致： - SGD由于假设线性模型，未能准确捕捉石墨烯性能与影响因素之间的非线性关系，其均方误差(MSE)比其他算法高出一到两个数量级。 - ANN表现优异。尤其是双层神经网络（ANN-20-20和ANN-40-40）能更好地建模复杂的非线性关系。不同性能指标在神经网络中的最佳激活函数也有所不同。例如，在断裂应变预测中，使用指数线性单元（Exponential Linear Unit, ELU）表现最佳。
一旦模型完成训练，可以在几毫秒内预测出给定系统参数（温度、应变速率、手性、缺陷）下的机械性能，而无需重新运行高耗时的MD模拟。
这项研究通过将机器学习与分子动力学模拟相结合，成功地实现了对石墨烯机械性能的快速预测。这种方法不仅极大减少了传统实验和模拟研究的时间与计算成本，还为探索其他纳米材料的物理性能提供了可行的技术路线。
在科学价值上，本研究： 1. 证明了机器学习在石墨烯量子力学研究中的可行性； 2. 提供了一种标准化的高通量MD-HTC工作流程，可通用于扩展其他复杂材料的预测； 3. 对于理解材料在多物理场影响下的性能表现具有重要意义。
在应用价值上，研究成果可用于推进石墨烯纳米复合材料设计，特别是在航空航天和高性能传感器领域。同时，提出的计算方法还可应用于新型二维材料的研发和筛选。
本研究虽然成果显著，但仍有若干潜在问题值得深入探索。例如： - 模型仅研究了单层石墨烯，未来可扩展至多层石墨烯及其异质结构。 - 数据集特征较为有限，未来可能需要纳入更多复杂特征（如双原子和多原子缺陷等）。 - 为进一步提升模型效率，可以探索更多先进的深度学习模型。
总而言之，这项研究为机器学习在材料科学中的应用开辟了新道路，并证明其在高效发现新材料性能方面的巨大潜能。