麻省理工学院Markus J. Buehler课题组-- 深度学习模型以预测石墨烯的断裂机理

了解断裂对于弹性纳米材料的设计至关重要。分子动力学提供了一种在原子水平上研究断裂的方法，但是由于可扩展性的限制，计算量很大。在这项工作中，作者建立了预测纳米断裂机制的机器学习方法，包括裂纹不稳定性和作为晶体取向函数的分支。将重点放在与技术相关的特定材料系统石墨烯上，并将深度学习方法应用于此类纳米材料的研究，并探索将机器学习预测校准为有意义的结果所必需的参数空间。该结果验证了深度学习方法能够定量捕获石墨烯断裂行为（包括其分形维数与晶体取向的函数）的能力，并为深度学习在材料设计中的广泛应用提供了希望，从而为其他2D材料打开了潜力。

Fig. 1 石墨烯断裂的MD研究。

Fig. 2 ML参数优化。

Fig. 3 评估ML模型的预测能力。

Fig. 4 广义裂缝预测。

Fig. 5 缺陷容忍度的预测。

相关研究成果于2021年由麻省理工学院Markus J. Buehler课题组，发表在npj 2D Materials and Applications（https://doi.org/10.1038/s41699-021-00228-x）上。原文：Deep learning model to predict fracture mechanisms of graphene。