长期以来,新材料一直是推动材料应用和技术发展的主要因素。在过去的十几年中,该领域的基础知识和技术应用中的许多进步都与意外发现具有新颖和理想性能的新材料有关。这些材料中的很多已经从作为基础研究兴趣的对象转变为实际应用的对象。然而,新材料的复杂性为实验科学的实现带来了困难,很多过程难以捕获,限制了材料的理性设计。随着计算机功能的增强和新计算方法的发展,可以使用理论计算方法来揭示这些材料结构与属性的关系,以探索性能卓越的新型材料。同时,结合机器学习算法为新材料的设计提供了新思路。通过调控材料的成分和表面形貌等方式可有效调节其性质,深入理解构效之间的关系,最终加速新材料的设计和研发。本论文的原创工作分为两个部分:第一部分是运用第一性原理的密度泛函理论计算研究对硼烯的不同方式的化学改性,预测其带隙和稳定性,为基于硼烯的半导体材料设计提供理论基础(第三章)。此外,我们也尝试结合第一性原理计算和机器学习方法来建立羰基结构与离解能之间的定量关系,对于羰基电极材料的发展有着重要意义(第四章)。本论文共四章。第一章中针对后文所涉及到的研究方向与需要解决的问题,主要阐述了两部分内容的背景与现状。第一部分介绍目前试验科学利用分子束外延(MBE)技术在较高温度下已经成功合成了六种硼烯,将其从计算机虚拟世界中解放出来,推动了其发展。硼烯有着良好的性质:密度小、强度高、柔韧性好、容易发生化学反应等,从而广泛应用于合成超导材料、电池电极材料、储氢材料、气体传感器以及析氢反应催化剂。但是,硼烯稳定性较差,不能直接应用。因此,我们需要化学改性的方式来提高稳定性和机械性能,为后续研究提供保障。第二部分介绍了机器学习算法在计算化学中扮演的重要角色。可结合DFT方法并弥补其不足之处,为理论化学的发展提供了新思路。也可通过高通量的方式来加速新材料的设计、指导化学反应的合成以及对所需特定性质材料的预测和筛选。第二章主要介绍了第一性原理计算和机器学习方法的相关理论与应用,以及目前计算化学中主流的软件工具包和机器学习常用框架。密度泛函理论(DFT)来自于量子力学,以体系的电子密度为基础,获得基态粒子密度,最终得到体系的性质。解决问题的主要思想就是将复杂的多粒子体系问题转化为简单的单粒子体系问题,使用交换相关泛函得到体系的近似解。另外,当下流行的机器学习算法主要可分为三类无监督学习、监督学习和强化学习,在各个领域都有很好的应用。对于数据量较少、描述符较为简单的情况,经典的机器学习算法往往可以快速得到优异的训练效果。如果数据量及描述符较为复杂,那么深度学习方法可以发挥其优势。同时,在机器学习算法训练的时候,参数的选取至关重要,如优化器、激活函数、损失函数、隐藏层数和神经元数目等。针对材料研究中的特定问题选取合适的方法,往往能事半功倍。第三章讨论了利用第一性原理计算来探讨化学改性对于硼烯能带结构和稳定性的影响。硼烯是一种二维材料,由于其优异的性能而备受关注。目前,部分硼烯的合成已经在苛刻的条件下通过复杂的MBE技术完成了,极大促进了其发展。本文通过DFT方法研究了六种实验合成硼烯的带隙打开以及稳定性的情况。我们发现通过化学修饰方法(氢化、氟化和氯化)发现可打开χ3、α、δ3、α5硼烯的带隙,而δ6和β12硼烯在此改性方式下无法打开带隙。另外,利用声子谱、AIMD模拟和弹性常数分析得出,这些硼烯的动力学和热力学稳定性以及机械性能方面都得到了一定程度上的改善。尤其是对于δ6硼烯,在带隙打开的同时也确保了稳定性的极大提高。这些为进一步研究硼烯和相关的半导体材料提供了指导和建议。第四章研究了利用机器学习方法来预测有机羰基解离能。键解离能(BDE)是化学键强度的指标,在评估和筛选高性能材料和催化剂方面显示出巨大潜力,这在工业应用中至关重要。但是,通过常规的实验或理论方法对BDE进行测量或计算通常是昂贵且费时的,从而极大地阻止了BDE应用于大规模和高通量研究。因此,非常需要一种可能更有效的估算BDE的方法。为此,结合了第一性原理计算和机器学习技术,包括神经网络和随机森林,以探索羰基结构与其BDE之间的内在联系。我们选取了羰基及其邻位的键长、键角信息作为描述符来训练模型,并将最终预测结果与DFT计算结果进行比较。同时,加入了价电子将数据转换为原子间的库仑作用力信息来做进一步的探讨。结果表明,机器学习不仅可以有效地再现所计算出的羰基BDE,而且可以为合理设计羰基结构以优化性能提供指导。