机器学习算法在很多领域取得了令人瞩目的进步，从而广受人们关注，但它在晶体结构预测方面的应用还有待发展。晶体结构搜索通常要处理大量的备选结构，若对每一个备选结构都进行第一性原理计算的话会耗费大量的计算资源。南京大学物理学院的孙建课题组和王慧田课题组发展了一套机器学习加速晶体结构搜索的程序，用机器学习的方法拟合出一个模型，用这个模型先对备选晶体结构进行初筛，这样可以有效提高晶体结构搜索的效率。

另一方面，过渡金属轻元素化合物，特别是钨氮化物因其具有很高的不可压缩性和体弹模量，作为硬质材料得到了广泛的研究。但目前人们还没有发现超硬（维氏硬度超过40GPa）的钨氮化合物。这可能是由于钨氮化合物中过渡金属原子的 d 电子能带会穿过费米面，使其具有金属性，从而大大降低了材料的硬度。设计具有非金属性的钨氮化合物或许可能得到拥有超硬力学特性的新材料。在前人研究基础上，孙建课题组和王慧田课题组总结出了寻找超硬的过渡金属轻元素化合物的三条线索：稳定或亚稳的晶体结构、非金属性的电子结构以及高轻元素占比。这些线索启发他们在富氮类钨氮体系中去设计和寻找具备环、链、网格和框架等特殊氮原子基元构型的晶体。

利用上述设计思路和他们新发展的机器学习加速晶体结构搜索方法，他们成功设计出了一种非金属性的富氮类钨氮化合物h-WN₆。它是由扶手椅状的氮六元环和钨原子形成的三明治结构。其电子局域分布和成键特性分析表明h-WN₆ 是离子型晶体并具有方向性良好的强共价键。它是个小带隙的间接能隙半导体，并且随着压力升高，其带隙表现出反常的展开现象。下图展示了h-WN₆的晶体结构、电子结构及其压力响应。理论计算表明h-WN₆可以在高压下合成同时在常压下是亚稳的。令人惊奇的是，理论预测h-WN₆ 结构具有约 57GPa 的维氏硬度和 1,900K 的熔点，是目前为止最硬的过渡金属氮化物。同时，它还具有很高的质量能量密度（3.1 kJ/g）和体积能量密度（28.0 kJ/cm³），是一种潜在的高能量密度材料。

该工作发展了机器学习加速晶体结构搜索的方法，总结了过渡金属轻元素杂化超硬材料的设计思想，并在此基础上预言了一种具有很好热稳定性的超硬又高能量密度的钨氮化合物。这可能激发人们去理论探索和实验合成这类有潜在应用价值的材料，并且对于发展更高效的晶体结构搜索方法，验证超硬材料的设计思想，扩充超硬材料家族以及研究硬度起源都有重要的科学意义。

http://engine.scichina.com/publisher/scp/journal/SB/63/13/10.1016/j.scib.2018.05.027?slug=full%20text