锆刚玉砂带,碳化硅砂带,堆积磨料,陶瓷磨料,棕刚玉砂带

       利用基于数据库和数据传输的宏观硬度模型与机器学习结合，可以预测多种晶体材料的维克斯硬度(Hv)。来自纽约州立大学布法罗分校化学系的Eva Zurek教授领导的团队，通过AFLOW中RESTful接口获得了Hv与剪切弹性模量之间的线性关系，并计算了维氏硬度Hv。其预测结果与第一原理计算的结果非常一致，与实验结果也吻合得很好。这些技术使人们可基于机器学习的弹性性质快速计算给定晶体结构的合理硬度值，并可利用这些预测的硬度值来计算每个超硬相的拟合度。

该技术是在进化算法(EA)中实现的，并随后应用于碳体系，以寻找稳定和超硬相。在他们的搜索中发现了79种动力学稳定、低能量、具有Hv >40 GPa的不同拓扑结构，其中43种拓扑结构之前未曾报道。人们有望探寻到廉价的超硬碳材料，从而替代价格昂贵的钻石，该文近期发表于npj Computational Materials 5:89 (2019)。

       本研究发现，在各种材料的实验维氏硬度(Hv)和三种宏观硬度模型计算的硬度之间有着良好的一致性，剪切和/或体模量是这三种宏观硬度模型的主要参数，通过以下两种方法获得：i）流动-AEL（流自动弹性库)的第一原理计算模型，二)以流数据库中的材料数据为样本，训练的机器学习(毫升)模型.由于可以快速估算Hv毫升值，它们可以与进化搜索结合使用来预测稳定的超硬材料.该方法是在X塔尔OPT进化算法中实现的.每个晶体都被最小化到最接近的局部最小值，它的维氏硬度是由特特剪切模量的线性关系来计算的.能量/焓和Hv毫升特特都被用来确定结构的拟合度.将该方法应用于碳体系，发现了43个新的超硬相.拓扑分析表明，预测出的结构相比金刚石的强度还略大，该相中含有大量金刚石和/或六方碳结构.