Метод штучного інтелекту, який допоможе швидше і надійніше виявляти нових кандидатів у потенційні надпровідники

Надпровідники, незважаючи на електричний опір, виявляють нульовий опір при охолодженні нижче критичної температури. Ця фантастична властивість надпровідників відкриває двері для численних реальних застосувань в енергетиці, транспорті та новітній електроніці. За останнє десятиліття було досягнуто значного прогресу в пошуку надпровідників з високими критичними температурами. У цій статті дослідники з Технологічного інституту Джорджії та Ханойського університету науки і технологій (В’єтнам) представили перший крок у включенні інформації на атомарному рівні у шляхи машинного навчання для відкриття нових звичайних (або BCS) надпровідників, особливо при атмосферному тиску.

Прогнозування високотемпературної надпровідності при нульовій температурі було складним завданням для науковця через брак інформації на атомному рівні. Дослідники ретельно опрацювали набір даних з 584 атомних структур з більш ніж 1100 значеннями λ і ωlog, обчислених при різних тисках. Для λ і ωlog були розроблені ML-моделі, які були використані для скринінгу понад 80 000 записів бази даних Materials Project, що дозволило виявити (за допомогою розрахунків з перших принципів) два термодинамічно і динамічно стабільні матеріали, надпровідність яких може існувати при Tc приблизно рівній 10-15K і P = 0. Для перетворення атомних структур в числові вектори вони використовували пакет Matminer, а в якості ML-алгоритму – регресію гауссівського процесу.

Дослідники використовували ML-моделі для прогнозування надпровідних властивостей для 35 кандидатів. Серед них шість мали найвищі прогнозовані значення Tc. Деякі з них були нестабільними і потребували подальших розрахунків стабілізації. Після перевірки стабільності решти двох кандидатів, а саме кубічних структур CrH і CrH2, їхні надпровідні властивості були обчислені за допомогою розрахунків з перших принципів. Дослідники підтвердили свої прогнози і виконали додаткові розрахунки з використанням локально-густинної апроксимації (LDA) XC функціоналу, підтвердивши точність прогнозованих результатів у межах 2-3% від заявлених значень. Крім того, дослідники вивчили можливість синтезу надпровідників, простеживши їх походження в Базі даних неорганічних кристалічних структур (ICSD). Вони виявили, що вони були експериментально синтезовані в минулому, і сподіваються, що майбутні тести підтвердять їхню передбачувану надпровідність.

У майбутніх дослідженнях вчені планують вдосконалити свій підхід методу машинного навчання, розширивши та урізноманітнивши набір даних, використовуючи методи глибокого навчання та інтегрувавши стратегію зворотного проектування для ефективного дослідження практично нескінченних матеріалів. Дослідники передбачають подальше вдосконалення свого підходу, що може сприяти відкриттю надпровідників з високою Тс і співпраці з експертами-експериментаторами для тестування і синтезу в реальних умовах.