研究强调了摩擦性能的材料视角，并展示了数据驱动的模拟在识别合适描述符方面的能力。该研究为设计具有可控摩擦力的润滑油添加剂提供了新的方向。

研究背景：

1、二维材料为基础科学发现和新应用开辟了新的可能性，极大地影响了摩擦学研究，包括寻找有效的润滑剂、更好的微纳米电化学系统以及改进的原子和摩擦力显微镜技术。尽管摩擦和黏附(与摩擦密切相关)已被广泛研究，但由于材料在接触和远距离分散相互作用中的原子性质而产生的控制机制是复杂的，尚未完全理解。

2、摩擦通常与机器和设备的效率和可靠性降低有关，当两个物体相互位移时就会发生摩擦。这是一种强烈的材料依赖性现象，大量二维材料的出现为设计具有所需摩擦学性能的系统开辟了新的机会。

3、基于密度泛函理论(DFT)的计算研究通过揭示影响摩擦学性能的重要结构-性能关系，推动了这一领域的发展。然而，控制机制的复杂性和预测材料数量的增加需要新的数据驱动研究，确定特性和相互关系，以获得作为优质润滑剂的材料，还需要替代数据驱动的模型来识别模式和结构-属性关系，从而实现更好的设计策略。

研究思路：

在这项工作中，根据最近报告的双层材料（BMDS）数据集提出了摩擦和粘附性能的统计机器学习 （ML） 建模。BMDS 包括 760 个双层系统，由化学惰性、动态稳定的单层组成。DFT仿真辅以vdW交互，用于识别BMDS数据集中9类双层的各种堆叠配置。尽管 ML 原子间势已被用于通过 DFT 模拟评估不同的材料特性，在这项研究中，ML模型的目的是从统计的角度来看，关注更深层次的结构-属性联系。堆叠配置对于找到与双层可能承受的最大静摩擦相关的波纹至关重要。通过描绘每个堆叠位置的粘附力和 vdW 能量，进一步了解长程色散在摩擦现象中的作用。通过将粘附力、波纹和 vdW 能量与 ML 模型拟合，以揭示与易于访问的原子和单层结构特征相关的图案。特征优化是通过选择平均排名较高的特征来执行的，然后减少高度线性相关的特征。通过SHapley加性解释（SHAP）分析，可以解释ML预测的粘附力、波纹和vdW能量的这些特征。

主要结论：

1、ML建模在统计表示中提取结构-属性关系方面功能强大，可以进一步用于新层状材料的属性预测。优化了12个用于预测Eadh和EvdW的特征，而Ecor则使用15个此类特征进行建模。Eadh、EvdW和Ecor使用了几种ML算法，报告了通过更高的训练/验证R2和最低RMSE指标测量的最佳模型，数值表明ML的预测能力非常好。ML模型中的特征工程与随后的SHAP分析揭示了特定元素和单层性质如何影响本文研究的摩擦能的几个趋势。

2、通过SHAP分析，可以更好地定性和定量地了解单个特征对整个数据集和单个材料摩擦特性的重要性。对各种特征的数值重要性进行了梳理，其中清楚地显示了正相关和负相关。通过这种方式，可以进一步评估单个材料的摩擦特性，正如我们对几个双层所展示的那样。Eadh和EvdW的计算值，而Ecor与整个数据集的相应平均能量进行比较，给出每个特征重要性的数值(SHAP)。

3、综合研究强调了摩擦特性的材料视角，并展示了数据驱动的模拟在识别合适描述符方面的强大功能。可以从根本上理解未发现的结构-性质关系，但整体解释变得复杂，因为发现不同的特征对每种研究的能量都很重要。未来对BMDS的补充可用于进一步改进ML建模，并继续完善对元素和单层特性及其与摩擦关系的理解。

文章信息：

1、Ranjan Kumar Barik*,Lilia M Woods*. Frictional Properties of Two-Dimensional Materials: Data-Driven Machine Learning Predictive Modeling[J]. ACS Applied Materials & Interfaces , Published July 17, 2024. DOI：10.1021/acsami.4c05532

https://doi.org/10.1021/acsami.4c05532

2、作者团队来自南佛罗里达大学物理系。