了解斷裂對于彈性納米材料的設計至關重要。分子動力學提供了一種在原子水平上研究斷裂的方法，但是由于可擴展性的限制，計算量很大。在這項工作中，作者建立了預測納米斷裂機制的機器學習方法，包括裂紋不穩定性和作為晶體取向函數的分支。將重點放在與技術相關的特定材料系統石墨烯上，并將深度學習方法應用于此類納米材料的研究，并探索將機器學習預測校準為有意義的結果所必需的參數空間。該結果驗證了深度學習方法能夠定量捕獲石墨烯斷裂行為（包括其分形維數與晶體取向的函數）的能力，并為深度學習在材料設計中的廣泛應用提供了希望，從而為其他2D材料打開了潛力。
Fig. 1 石墨烯斷裂的MD研究。
Fig. 2 ML參數優化。
Fig. 3 評估ML模型的預測能力。
Fig. 4 廣義裂縫預測。
Fig. 5 缺陷容忍度的預測。
相關研究成果于2021年由麻省理工學院Markus J. Buehler課題組，發表在npj 2D Materials and Applications（https://doi.org/10.1038/s41699-021-00228-x）上。原文：Deep learning model to predict fracture mechanisms of graphene。
轉自《石墨烯雜志》公眾號
.jpg)
