摩擦学研究中丰富的摩擦和表面性能数据为数据驱动分析打开了大门。随着人工智能技术特别是机器学习方法的快速发展，人工智能在材料和化学科学领域得到了广泛的应用。机器学习不仅可以提前预测未知材料的性能，初步评价材料，还可以描述输入数据和输出结果之间的复杂关系，分析描述符的重要性。

       中国科学院兰州化学物理研究所计算摩擦学课题组开展了元素二维材料摩擦性能的计算及预测，并获得相应进展。

图1摩擦学性能计算与机器学习预测的工作流程。以As P-3m1结构为例。

       近日，基于固体界面摩擦性能高通量计算平台LICP-FPHTC-Platform（摩擦学报2022, 42, 493），研究人员开展了元素二维材料摩擦学性能的计算与机器学习预测，并分析描述符与预测值之间的相关性。相关结果对未来实现新型二维材料摩擦学性能的初步预测，以及材料与其性能之间的数据关系做出了进一步的指导。

图2 元素二维材料最大滑动能垒的计算及预测结果。

a Bagging Train; b Bagging Test; c RF Train and d RF Test。

       由于摩擦的复杂性，尽管在制定摩擦规则或定律方面已经做出了许多努力，摩擦学仍然是一个以经验现象为主的领域。虽然根据现有的DFT数据已经建立了摩擦与其界面结构和界面性能之间的定性关系，但各种影响因素的重要性仍需要定量分析。材料的几何结构性能，界面电荷再分布以及机械性能被用作预测其最大滑动能垒的描述符，预测值与实际值具有较好的一致性（图2）。进一步通过描述符的重要性分析表明了除界面结构性能及机械性能外，界面电荷的再分布与其最大滑动能垒的高度相关性（图3）。

图3 描述符的重要性分析。

a Bagging algorithm; b RF algorithm。

       相关工作以“Calculation and prediction of sliding energy barriers by first-principles combined with machine learning”为题发表在Ceramics International (49 (2023) 24752–24761)上。牛媛为该论文第一作者，何文豪和鲁志斌为通讯作者。