Kobling af kvantemekaniske simuleringer og AI baner vejen for screening af nye superledere

Superledere er materialer, der leder elektricitet uden modstand og er afgørende for flere teknologiske fremskridt, som omfatter medicinsk billeddannelse og energieffektiv teknologi. De fleste kendte superledere fungerer dog under ekstreme forhold, såsom ekstremt lave temperaturer eller høje tryk, hvilket begrænser deres praktiske anvendelse.

Hydridforbindelser er en klasse af lovende superledende materialer, der har høje superledende overgangstemperaturer (dvs. H₃ S og LaH₁₀ ) under ultrahøje tryk (adskillige hundrede GPa). Screening af hele rummet af potentielle nye hydrid-baserede materialer, der er superledende ved højere temperaturer og under håndterbare forhold, er fortsat en væsentlig udfordring inden for fysik og materialevidenskab.

Forskerne Dr. Daniel Wines og Dr. Kamal Choudhary fra National Institute of Standards and Technology (NIST) har udnyttet en kombination af kvantemekanik-baseret tæthed funktionel teori (DFT) og kunstig intelligens (AI) til at løse denne udfordring. Ved at integrere disse metoder udviklede de en tilgang, der forbedrer forudsigelse og opdagelsesprocessen for potentielle hydridsuperledere.

Artiklen, med titlen "Data-drevet design af højtrykshydride superledere ved hjælp af DFT og Deep Learning," er offentliggjort i tidsskriftet Materials Futures .

Forskerne brugte high-throughput DFT-beregninger til at forudsige den kritiske temperatur af over 900 hydridmaterialer under en række tryk og fandt over 120 strukturer med overlegne superledende egenskaber sammenlignet med MgB₂ , som har en kritisk temperatur på 39 K.

For at fremskynde screeningsprocessen og reducere beregningsomkostningerne markant, trænede de en grafisk neural netværksmodel (GNN) baseret på atomstruktur, der øjeblikkeligt kan forudsige superledende overgangstemperaturer under forskellige trykforhold.

De datadrevne tilgange etableret af NIST-teamet giver en ramme, der kan bruges til at screene nye hydridsuperledere på en hurtigere og mere effektiv måde. Integrationen af ​​high-throughput kvantemekaniske (DFT) simuleringer med maskinlæring kan accelerere forudsigelsesprocessen forud for mere omkostningskrævende eksperimentel undersøgelse.

Ser man på fremtiden, er området for højtrykshydrid-superledere under hastig udvikling. For at fortsætte med at fremme området er det afgørende at øge mængden af ​​unikke og højkvalitetsdata, der er offentligt tilgængelige, hvilket igen kan øge nøjagtigheden af ​​maskinlæringsmodeller.

Wines udtaler, "Efterhånden som forskere over hele verden fortsætter med at skubbe grænserne for materialevidenskab, bliver rollen som offentligt tilgængelige datasæt af høj kvalitet mere afgørende. Relevante data kan hjælpe med at forfine vores modeller og forbedre vores forudsigelsesevner, hvilket kan føre til hurtigere og mere præcise opdagelser."

Teamet hos NIST opfordrer til samarbejde og åben deling af data, som kunne lettes af platforme såsom JARVIS (Joint Automated Repository for Various Integrated Simulations), som er en åben adgangsinfrastruktur hostet af NIST designet til at automatisere materialeopdagelse.

Højtemperatursuperledere har potentialet til at revolutionere teknologier på tværs af flere industrier. Dette arbejde viser ikke kun synergien ved at kombinere kvantemekaniske simuleringer med AI, men baner også en vej mod en fremtid, hvor drømmen om en stuetemperatur-superleder en dag kan blive realiseret.