在从能源生产到航空航天的许多行业中，超硬材料都受到高度追捧。但是，到目前为止，找到合适的新材料主要是基于对经典材料（如钻石）的反复试验。

研究人员已经开发出一种机器学习模型，可以准确地预测新材料的硬度，从而使科学家可以更容易地找到适合用于各种应用的化合物。

休斯敦大学（UH）和曼哈顿学院的科学家开发了一种机器学习模型，该模型能够精确确定新材料的硬度，从而使研究人员能够更轻松地发现适合在各种应用中使用的化合物。该研究已在《高级材料》杂志上进行了描述。

超硬材料或硬度值超过维氏刻度40吉帕斯卡的材料并不常见。而且超硬材料并不意味着要在材料表面留下压痕需要40吉帕斯卡的压力。

这使得识别新材料具有挑战性。这就是为什么合成钻石之类的材料尽管具有挑战性且制造成本昂贵，但仍被使用的原因。

困难因素之一是，材料的硬度可能会根据所施加的压力大小而有所不同，这称为负载依赖性。这使得材料测试在实验上变得复杂，并且目前几乎不可能使用计算模型。

团队描述的模型通过完全基于材料的化学成分来估算依赖于载荷的维氏硬度，从而解决了这一难题。

研究小组已经确定了10多个新的和潜在的稳定的硼碳化物相。设计和生产这些材料的研究正在进行中，以便可以在实验室中进行测试。

根据报道的模型精度，前景似乎很好。该小组报告的准确性为97％。

根据该研究的第一作者，UH的一名博士生张子燕的说法，为训练该算法而开发的数据库取决于与560种不同化合物相关的数据，每种化合物均提供许多数据点。为了找到开发代表性数据集所需的数据，研究人员必须浏览数百篇已发表的学术论文。

所有好的机器学习项目都是从一个好的数据集开始的。真正的成功很大程度上在于该数据集的开发。

Brgoch还是UH德州超导中心的首席研究员。除了Brgoch和Zhang，该项目的其他科学家还有UH的Aria Mansouri Tehrani和Blake Day，以及曼哈顿学院的Anton O.Oliynyk。

Brgoch说，按照惯例，科学家采用机器学习来估计硬度的单个变量。但是，这并不能说明该属性的复杂性，例如负载依赖性，根据Brgoch的理解，目前尚不清楚。这使机器学习成为理想的工具，尽管之前存在一些缺点。

根据Brgoch的说法，“机器学习系统不需要了解物理学。它只是分析训练数据并根据统计数据做出新的预测。”

但是，机器学习确实有其自身的缺点。