像石墨烯这样的二维材料在受到故意的结构扭曲时会表现出奇异的量子力学行为。通过应变调整原子间距或通过缺陷扰动电子密度，研究人员可以微调机电特性，并设计这些原子薄材料，用于从柔性电子到量子计算的尖端应用。然而，对复杂的量子结构-性质关系进行建模，以实现先进的功能设计，仍然具有极大的挑战性。
预测连续的微观应变如何改变局部键长和跳跃能量需要计算繁重的物理模拟，这阻碍了有效扫描天文设计空间的尝试。
现在，中国浙江大学的研究人员开发了一种基于生成对抗网络的巧妙机器学习框架，该框架可以快速预测连续应变载荷下的原子结构松弛和相关物理场。他们的模型采用U-Net架构作为生成组件以及PatchGAN鉴别器。通过对 8000 个样本进行训练，这些样本包括来自分子模拟的不同缺陷模式和应变状态，深度神经网络学会了嵌入应变条件，并在保留的测试用例中生成准确的预测。
虽然目前的框架特别关注石墨烯系统，但研究人员强调，基础方法可以推广到各种二维材料，如二硫化钼或黑磷。适应三维块状晶体似乎也是可行的，尽管代表了未来工作的一个重要方向。
除了在下一代电子产品中的应用外，应变工程原理还使新兴路线能够通过缺陷驱动重新配置软机器和可重新编程的超材料。通过加速基本材料预测，这种突破性的计算方法可能很快就会解锁以前受到建模和控制限制阻碍的新型智能机械设备。
高效扫描高维应变空间的能力使研究人员能够发现传统技术看不到的令人惊讶的结构-性能关系。根据作者Shuze Zhu博士的说法，“这种机器学习方法提供了一种直观的可视化工具，可以加速发现新型量子材料。
该团队在Advanced Intelligent Systems中报告了他们的发现。
他们基于生成对抗网络的新方法为高通量量子材料筛选提供了非凡的加速，并为人工智能解锁的新型应变工程途径提供了诱人的线索。
从历史上看，在多种应变和缺陷状态中探测 2D 材料的结构相关特性是一项计算成本极其高昂的任务。密度泛函理论和分子动力学等传统仿真技术在分析大量可能的原子模型时会产生巨大的计算成本。之所以出现这种复杂性，是因为设计空间包含无数的缺陷类型、数量、位置以及不断变化的应变载荷条件的组合，这些组合会改变平衡结构。
虽然机器学习模型在加速二维材料发现方面显示出一些前景，但现有技术仅限于固定应变状态，并且缺乏在增量应变载荷下预测松弛原子结构和空间分辨物理场的能力。因此，具有优化电子、热和机械性能的二维材料的快速计算筛选和合理设计仍然遥不可及。
为了创建包含各种Stone-Wales缺陷模式和空位缺陷的训练数据，研究人员使用经典电位对充满缺陷的石墨烯片进行了数千次分子弛豫模拟，这些石墨烯片受到随机双轴张力和剪切的影响。由此产生的空间分辨原子位移场、键应变、跳跃能和应力张量分量作为监督学习的真值标签。
值得注意的是，仅用 8000 个训练样本，深度神经网络就可以预测各种物理场，R2 分数超过 0.97，跨越未探索的应变和缺陷状态。相比之下，传统仿真每个数据点需要近 2 分钟。经过训练后，该模型只需 0.2 秒即可生成预测，并展示了超过 30 倍的加速度。这些性能提升为应变工程 2D 材料的低成本高通量筛选铺平了道路。
但是，研究人员强调，他们的技术不仅可以更快地进行模拟，还可以从传统方法中难以获得定性见解。例如，通过分析键应变和跳跃能的空间分布，该模型揭示了令人惊讶的变形热点和赝磁畴的形成，这些热点和赝磁畴的形成是由标准分析看不见的缺陷-应变相互作用的复杂性引起的。根据作者Shuze Zhu博士的说法，“在各种缺陷条件下快速扫描连续应变空间的能力为研究人员提供了前所未有的鸟瞰图，可以解锁新的结构-性能关系并加速发现新的量子材料。
虽然目前的框架专门关注石墨烯系统，但其基础方法可以推广到不同的二维材料和纳米结构。适应3D块状晶体似乎也是可行的，但代表了未来工作的重要方向。除了在下一代电子产品中的应用外，应变工程还支持通过缺陷驱动动态重新配置软机器和可重新编程超材料的新兴路线。这种新的计算方法可能很快就会释放出以前受到控制和建模限制的新型智能机械设备。
通过巧妙地将应变嵌入与生成对抗网络集成，研究人员打破了长期以来的障碍，该障碍阻碍了2D材料设计核心复杂演变载荷下的计算预测。他们的机器学习架构不仅提供了非凡的加速，还为研究人员提供了一个直观的可视化工具，以解锁隐藏的见解。这项突破性的工作强调了基于物理学的深度学习的力量，并为加速发现新型量子材料迈出了关键的一步。
