金属/陶瓷多层复合资料是支撑现代高新技术继续不断的开展的重要资料之一，因为具有共同的电，磁，光学和机械功能十分重视。金属/陶瓷多层复合资料每层的大界面面积和小长度标准导致了资料的新变形行为。优化单层厚度后的金属/陶瓷多层复合资料能够在不丢失导电性的情况下完成机械柔性。在金属/陶瓷多层复合资料作为芯片互连的运用的过程中，需求反抗电流及其耦合的热场和机械场形成的损害。因为多层复合资料的研讨的周期长、测验本钱高，因而期望采纳数据驱动的核算办法对其标准效应对硬度的影响进行可视化及猜测。

　　该团队初次提出多层复合资料的硬度跟着穿透深度的添加而添加的行为与参加变形的界面数量之间的联系，阐明晰纳米压痕引起的金属/陶瓷多层复合资料的变形行为。另一方面，选用机器学习(ML)办法获得了金属/陶瓷多层复合资料在变形机制临界改变时的单层厚度。当单层厚度大于该标准时，变形规则遵从经典的Hall-Petch联系，不然违背经典的Hall-Petch联系。而且将优化后的随机森林回归(RFR)模型用于猜测不同金属/陶瓷多层复合资料系统的硬度。这项作业拓荒了试验与机器学习相结合，研讨的簇新范畴，推动了芯片互连结构的开展。为高功能金属/陶瓷多层复合资料的研讨供给了很好的研讨思路。

　　图2 (a) PCC相联系数矩阵。(b) 猜测硬度与试验硬度比照。(c) 三种ML模型的功能比较。(d) 单个厚度、加载力、界面应力集中和弹性模量对ML功能的影响。

　　作者经过提醒Al/Si3N4多层复合资料的变形机制，然后建立了牢靠的机器学习模型，提出了金属/陶瓷复合资料的变形机制的临界改变点。经过机器学习的办法提醒了不同晶体结构的金属组元对临界改变单层厚度的影响。机器学习在资料科学范畴的使用有助于探究新的资料性质和使用，加快了新资料的发现和规划，为资料科学研讨拓荒了新的范式。