基于结构特征的两步机器学习：加速寻找超润滑异质结构

为什么无摩擦滑动很重要

从硬盘和电动车到微小的医疗传感器，现代技术依赖于相互摩擦的活动部件。那种摩擦会浪费能量并加速零件磨损。科学家们梦想实现“超润滑”——一种表面几乎无阻力滑动的状态，类似原子尺度上的空气曲棍球盘。这篇文章探讨了研究人员如何利用先进的计算模拟和机器学习，快速发现能够将摩擦几乎消除的新型超薄材料组合。

原子级薄的构件

研究聚焦于二维材料——仅厚几层原子的晶体片。常见例子包括石墨烯以及一类称为过渡金属二硫化物（TMDs）的材料，如二硫化钼（MoS₂）和二硫化钨（WS₂）。这些材料因其层之间易于滑动，已被视为优良的固体润滑剂。当两种不同的晶片堆叠形成“异质结构”时，它们的原子格有时并不完全对齐。这种错位称为非简约接触（incommensurate contact），能显著降低摩擦并产生结构性超润滑，使运动阻力接近于零。

可能性的海量问题

设计这样的低摩擦界面并非把任意两层混在一起那么简单。作者们考虑了66种不同的单层材料，由各种金属（如 Mo、W、V、Ni）和硫族元素（如 S、Se、Te）构成，还包括上下不同的所谓坚纳斯（Janus）晶片。原则上可能的成对组合有数百种，每一种又存在多种层间排列方式。精确模拟滑动能量——即当一层相对另一层移动时总能量如何变化——通常需要昂贵的量子力学计算。对每种可能性都做这种计算在计算时间上是不切实际的。

让算法学会真正重要的东西

为了解决这个问题，团队设计了一个两步的机器学习策略。首先，他们构建了一个小而精心挑选的78种异质结构“训练集”，并用高精度方法计算关键的物理量，包括层间粘结强度、层刚度以及界面处的电子重排。与其直接从原始几何预测摩擦，他们训练了若干机器学习模型，将简单的结构描述符（如键长、原子尺寸和层间距）映射到这些更有信息量的“领域特征”，这些特征已知会影响摩擦。那些模型充当快速代理，使计算机能在不重复昂贵计算的情况下，为大量候选材料估算难以直接计算的性质。

让计算机寻找最滑的组合

在第二步，作者将代理模型与一种称为贝叶斯优化的搜索策略结合。该方法不断提出最可能具有低滑动能的新候选异质结构，根据新的高精度计算更新其信念，然后再继续搜索。通过仅迭代少数几次，这个循环高效地在400多种可能性中锁定了最有前景的超润滑组合。关键在于，代理模型将计算成本削减了近一个月的超级计算时间，同时将预测误差保持在可控范围内。

新的超润滑组合与现实测试

搜索揭示了三种尤其有前途的配对：MoS₂/WS₂、MoS₂/VS₂ 和 NiS₂/NbSSe。详细模拟显示它们的滑动能量景观异常平滑，其能量波动远小于经典低摩擦体系（如石墨烯/石墨烯或石墨烯/六方氮化硼）。分子动力学模拟表明，在纳米尺度载荷下，MoS₂/WS₂ 和 MoS₂/VS₂ 的摩擦系数可能远低于0.001，这是超润滑的标志。随后团队利用类似于众多微小滑块的3D打印点接触陶瓷结构，制备了 MoS₂/WS₂ 和 MoS₂/VS₂ 涂层。在常规实验室尺度的摩擦测试中，MoS₂/WS₂ 与已知滑动性能极佳的基准涂层 MoS₂/MoSe₂ 比较，可将摩擦降低约三分之一。

这对未来机器意味着什么

简单来说，这项研究表明，让计算机学习摩擦的“物理语言”——即结构如何与刚度、粘附和电子电荷相关联——可以使其比蛮力计算更快地探索庞大的设计空间。这一两步方法不仅发现了新的超润滑材料配对，还通过原子尺度模拟和实际摩擦学实验验证了它们的性能。随着该策略的扩展和改进，它可加速为航天器机构与精密仪器到微机电系统等各类设备发现低摩擦涂层，帮助未来装置更低温运行、寿命更长并显著减少能量浪费。

引用: Chen, L., Huang, Y., Zhang, H. et al. Domain features-informed two-step machine learning: accelerating the search for superlubric heterostructures. npj Comput Mater 12, 147 (2026). https://doi.org/10.1038/s41524-026-01996-0

关键词: 超润滑性, 二维材料, 异质结构, 机器学习, 固体润滑