结合第一性原理与机器学习的滑动能垒计算与预测

近年来，通过数据驱动的计算方法发现了许多新的二维材料，其摩擦学性能必将得到进一步的研究。本文将第一性原理计算和机器学习相结合来预测二维材料的最大滑动势垒，并讨论了不同描述符的重要性。由于文献报道和高相关系数，使用RF和Bagging算法来呈现最终的预测结果。预测结果表明，R2约为0.8，均方根误差（RMSE）分别为~0.0027 eV和0.0029 eV。重要的是，当将界面电荷转移作为特征值时，两种模型的R2均增大（R2可达0.89），均方根误差分别降至0.0020 ~ eV和0.0024 eV。这表明界面电荷转移对最大滑动能垒的预测有重要影响。即调整界面处的电荷转移可以改善界面的摩擦学性能。此外，材料的几何结构（如晶格参数）和力学性能也是影响其最大滑动能垒的重要因素。与传统的第一性原理计算相比，基于统计的机器学习可能是预测摩擦性能的一种有希望的选择，并有望找到与摩擦行为直接相关的影响因素。